app.py

import gradio as gr
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy import stats
from datetime import datetime
import docx
from docx.shared import Inches, Pt
from docx.enum.text import WD_PARAGRAPH_ALIGNMENT
import os

def generar_tabla(n_filas, concentracion_inicial, unidad_medida, n_replicas):
    valores_base = [1.000, 0.800, 0.600, 0.400, 0.200, 0.100, 0.050]

    if n_filas <= 7:
        solucion_inoculo = valores_base[:n_filas]
        agua = [round(1 - x, 3) for x in solucion_inoculo]
    else:
        solucion_inoculo = valores_base.copy()
        ultimo_valor = valores_base[-1]
        for _ in range(n_filas - 7):
            nuevo_valor = round(ultimo_valor / 2, 3)
            solucion_inoculo.append(nuevo_valor)
            ultimo_valor = nuevo_valor
        agua = [round(1 - x, 3) for x in solucion_inoculo]

    data = {
        f"Solución de inóculo ({concentracion_inicial} {unidad_medida})": solucion_inoculo,
        "H2O": agua
    }
    df = pd.DataFrame(data)

    nombre_columna = f"Solución de inóculo ({concentracion_inicial} {unidad_medida})"
    df["Factor de Dilución"] = df[nombre_columna].apply(lambda x: round(1 / x, 3))
    df["Concentración Predicha Numérica"] = df["Factor de Dilución"].apply(
        lambda x: concentracion_inicial / x
    )
    df[f"Concentración Predicha ({unidad_medida})"] = df["Concentración Predicha Numérica"].round(3).astype(str)

    # Añadir columnas para las réplicas de "Concentración Real"
    for i in range(1, n_replicas + 1):
        df[f"Concentración Real {i} ({unidad_medida})"] = None

    # Las columnas de promedio y desviación estándar se agregarán durante el análisis
    return df

def ajustar_decimales_evento(df, decimales):
    df = df.copy()
    # Ajustar decimales en todas las columnas numéricas
    for col in df.columns:
        try:
            df[col] = pd.to_numeric(df[col], errors='ignore')
            df[col] = df[col].round(decimales)
        except:
            pass
    return df

def calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales):
    df = df.copy()
    # Obtener las columnas de réplicas
    col_replicas = [f"Concentración Real {i} ({unidad_medida})" for i in range(1, n_replicas + 1)]
    # Convertir a numérico
    for col in col_replicas:
        df[col] = pd.to_numeric(df[col], errors='coerce')

    # Calcular el promedio y la desviación estándar
    df[f"Concentración Real Promedio ({unidad_medida})"] = df[col_replicas].mean(axis=1)

    if n_replicas > 1:
        df[f"Desviación Estándar ({unidad_medida})"] = df[col_replicas].std(ddof=1, axis=1)
    else:
        df[f"Desviación Estándar ({unidad_medida})"] = 0.0

    # Redondear al número de decimales especificado
    df[f"Concentración Real Promedio ({unidad_medida})"] = df[f"Concentración Real Promedio ({unidad_medida})"].round(decimales)
    df[f"Desviación Estándar ({unidad_medida})"] = df[f"Desviación Estándar ({unidad_medida})"].round(decimales)

    return df

def generar_graficos(df_valid, n_replicas, unidad_medida, palette_puntos, estilo_puntos,
                     palette_linea_ajuste, estilo_linea_ajuste,
                     palette_linea_ideal, estilo_linea_ideal,
                     palette_barras_error, mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos):
    col_predicha_num = "Concentración Predicha Numérica"
    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"
    col_desviacion = f"Desviación Estándar ({unidad_medida})"

    # Convertir a numérico
    df_valid[col_predicha_num] = df_valid[col_predicha_num].astype(float)
    df_valid[col_real_promedio] = df_valid[col_real_promedio].astype(float)
    df_valid[col_desviacion] = df_valid[col_desviacion].fillna(0).astype(float)

    # Calcular regresión lineal
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real_promedio])
    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha_num]

    # Configurar estilos
    sns.set(style="whitegrid")
    plt.rcParams.update({'figure.autolayout': True})

    fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))

    # Obtener colores de las paletas
    colors_puntos = sns.color_palette(palette_puntos, as_cmap=False)
    colors_linea_ajuste = sns.color_palette(palette_linea_ajuste, as_cmap=False)
    colors_linea_ideal = sns.color_palette(palette_linea_ideal, as_cmap=False)
    colors_barras_error = sns.color_palette(palette_barras_error, as_cmap=False)

    # Seleccionar colores
    color_puntos = colors_puntos[0]
    color_linea_ajuste = colors_linea_ajuste[0]
    color_linea_ideal = colors_linea_ideal[0]
    color_barras_error = colors_barras_error[0]

    # Gráfico de dispersión con línea de regresión
    if mostrar_puntos:
        if n_replicas > 1:
            # Incluir barras de error
            ax1.errorbar(
                df_valid[col_predicha_num],
                df_valid[col_real_promedio],
                yerr=df_valid[col_desviacion],
                fmt=estilo_puntos,
                color=color_puntos,
                ecolor=color_barras_error,
                elinewidth=2,
                capsize=3,
                label='Datos Reales'
            )
        else:
            ax1.scatter(
                df_valid[col_predicha_num],
                df_valid[col_real_promedio],
                color=color_puntos,
                s=100,
                label='Datos Reales',
                marker=estilo_puntos
            )

    # Línea de ajuste
    if mostrar_linea_ajuste:
        ax1.plot(
            df_valid[col_predicha_num],
            df_valid['Ajuste Lineal'],
            color=color_linea_ajuste,
            label='Ajuste Lineal',
            linewidth=2,
            linestyle=estilo_linea_ajuste
        )

    # Línea ideal
    if mostrar_linea_ideal:
        min_predicha = df_valid[col_predicha_num].min()
        max_predicha = df_valid[col_predicha_num].max()
        ax1.plot(
            [min_predicha, max_predicha],
            [min_predicha, max_predicha],
            color=color_linea_ideal,
            linestyle=estilo_linea_ideal,
            label='Ideal'
        )

    ax1.set_title('Correlación entre Concentración Predicha y Real', fontsize=14)
    ax1.set_xlabel('Concentración Predicha', fontsize=12)
    ax1.set_ylabel('Concentración Real Promedio', fontsize=12)

    # Añadir ecuación y R² en el gráfico
    ax1.annotate(
        f'y = {intercept:.3f} + {slope:.3f}x\n$R^2$ = {r_value**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    # Posicionar la leyenda
    ax1.legend(loc='lower right', fontsize=10)

    # Gráfico de residuos
    residuos = df_valid[col_real_promedio] - df_valid['Ajuste Lineal']
    ax2.scatter(
        df_valid[col_predicha_num],
        residuos,
        color=color_puntos,
        s=100,
        marker=estilo_puntos,
        label='Residuos'
    )

    ax2.axhline(y=0, color='black', linestyle='--', linewidth=1)
    ax2.set_title('Gráfico de Residuos', fontsize=14)
    ax2.set_xlabel('Concentración Predicha', fontsize=12)
    ax2.set_ylabel('Residuo', fontsize=12)
    ax2.legend(loc='upper right', fontsize=10)

    plt.tight_layout()
    plt.savefig('grafico.png')  # Guardar el gráfico para incluirlo en el informe
    return fig

def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent):
    """Evaluar la calidad de la calibración y proporcionar recomendaciones"""
    evaluacion = {
        "calidad": "",
        "recomendaciones": [],
        "estado": "✅" if r_squared >= 0.95 and cv_percent <= 15 else "⚠️"
    }

    if r_squared >= 0.95:
        evaluacion["calidad"] = "Excelente"
    elif r_squared >= 0.90:
        evaluacion["calidad"] = "Buena"
    elif r_squared >= 0.85:
        evaluacion["calidad"] = "Regular"
    else:
        evaluacion["calidad"] = "Deficiente"

    if r_squared < 0.95:
        evaluacion["recomendaciones"].append("- Considere repetir algunas mediciones para mejorar la correlación")

    if cv_percent > 15:
        evaluacion["recomendaciones"].append("- La variabilidad es alta. Revise el procedimiento de dilución")

    if rmse > 0.1 * df_valid[df_valid.columns[-1]].astype(float).mean():
        evaluacion["recomendaciones"].append("- El error de predicción es significativo. Verifique la técnica de medición")

    return evaluacion

def generar_informe_completo(df_valid, n_replicas, unidad_medida):
    """Generar un informe completo en formato markdown"""
    col_predicha_num = "Concentración Predicha Numérica"
    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"

    # Convertir a numérico
    df_valid[col_predicha_num] = df_valid[col_predicha_num].astype(float)
    df_valid[col_real_promedio] = df_valid[col_real_promedio].astype(float)

    # Calcular estadísticas
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real_promedio])
    r_squared = r_value ** 2
    rmse = np.sqrt(((df_valid[col_real_promedio] - (intercept + slope * df_valid[col_predicha_num])) ** 2).mean())
    cv = (df_valid[col_real_promedio].std() / df_valid[col_real_promedio].mean()) * 100  # CV de los valores reales

    # Evaluar calidad
    evaluacion = evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv)

    informe = f"""# Informe de Calibración {evaluacion['estado']}
Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}

## Resumen Estadístico
- **Ecuación de Regresión**: y = {intercept:.4f} + {slope:.4f}x
- **Coeficiente de correlación (r)**: {r_value:.4f}
- **Coeficiente de determinación ($R^2$)**: {r_squared:.4f}
- **Valor p**: {p_value:.4e}
- **Error estándar de la pendiente**: {std_err:.4f}
- **Error cuadrático medio (RMSE)**: {rmse:.4f}
- **Coeficiente de variación (CV)**: {cv:.2f}%

## Evaluación de Calidad
- **Calidad de la calibración**: {evaluacion['calidad']}

## Recomendaciones
{chr(10).join(evaluacion['recomendaciones']) if evaluacion['recomendaciones'] else "No hay recomendaciones específicas. La calibración cumple con los criterios de calidad."}

## Decisión
{("✅ APROBADO - La calibración cumple con los criterios de calidad establecidos" if evaluacion['estado'] == "✅" else "⚠️ REQUIERE REVISIÓN - La calibración necesita ajustes según las recomendaciones anteriores")}

---
*Nota: Este informe fue generado automáticamente. Por favor, revise los resultados y valide según sus criterios específicos.*
"""
    return informe, evaluacion['estado']

def actualizar_analisis(df, n_replicas, unidad_medida, filas_seleccionadas, decimales):
    if df is None or df.empty:
        return "Error en los datos", None, "No se pueden generar análisis", df

    # Convertir filas_seleccionadas a índices
    if not filas_seleccionadas:
        return "Se necesitan más datos", None, "No se han seleccionado filas para el análisis", df

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]

    # Calcular promedio y desviación estándar dependiendo de las réplicas
    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales)

    col_predicha_num = "Concentración Predicha Numérica"
    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"

    # Convertir columnas a numérico
    df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
    df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')

    df_valid = df.dropna(subset=[col_predicha_num, col_real_promedio])

    # Resetear el índice para asegurar que sea secuencial
    df_valid.reset_index(drop=True, inplace=True)

    # Filtrar filas según las seleccionadas
    df_valid = df_valid.loc[indices_seleccionados]

    if len(df_valid) < 2:
        return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis", df

    # Calcular la regresión y agregar 'Ajuste Lineal'
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha_num], df_valid[col_real_promedio])
    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha_num]

    # Generar gráfico con opciones predeterminadas
    fig = generar_graficos(
        df_valid, n_replicas, unidad_medida,
        palette_puntos='deep', estilo_puntos='o',
        palette_linea_ajuste='muted', estilo_linea_ajuste='-',
        palette_linea_ideal='bright', estilo_linea_ideal='--',
        palette_barras_error='pastel',
        mostrar_linea_ajuste=True,
        mostrar_linea_ideal=False,  # Línea Ideal desmarcada por defecto
        mostrar_puntos=True
    )
    informe, estado = generar_informe_completo(df_valid, n_replicas, unidad_medida)

    return estado, fig, informe, df

def actualizar_graficos(df, n_replicas, unidad_medida,
                        palette_puntos, estilo_puntos,
                        palette_linea_ajuste, estilo_linea_ajuste,
                        palette_linea_ideal, estilo_linea_ideal,
                        palette_barras_error,
                        mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos,
                        filas_seleccionadas, decimales):
    if df is None or df.empty:
        return None

    # Asegurarse de que los cálculos estén actualizados
    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales)

    col_predicha_num = "Concentración Predicha Numérica"
    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"

    # Convertir columnas a numérico
    df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
    df[col_real_promedio] = pd.to_numeric(df[col_real_promedio], errors='coerce')

    df_valid = df.dropna(subset=[col_predicha_num, col_real_promedio])

    # Resetear el índice para asegurar que sea secuencial
    df_valid.reset_index(drop=True, inplace=True)

    # Convertir filas_seleccionadas a índices
    if not filas_seleccionadas:
        return None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]

    # Filtrar filas según las seleccionadas
    df_valid = df_valid.loc[indices_seleccionados]

    if len(df_valid) < 2:
        return None

    # Generar gráfico con opciones seleccionadas
    fig = generar_graficos(
        df_valid, n_replicas, unidad_medida,
        palette_puntos, estilo_puntos,
        palette_linea_ajuste, estilo_linea_ajuste,
        palette_linea_ideal, estilo_linea_ideal,
        palette_barras_error,
        mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos
    )

    return fig

def exportar_informe_word(df_valid, informe_md, unidad_medida):
    # Crear documento Word
    doc = docx.Document()

    # Estilos APA 7
    style = doc.styles['Normal']
    font = style.font
    font.name = 'Times New Roman'
    font.size = Pt(12)

    # Título centrado
    titulo = doc.add_heading('Informe de Calibración', 0)
    titulo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    # Fecha
    fecha = doc.add_paragraph(f"Fecha: {datetime.now().strftime('%d/%m/%Y %H:%M')}")
    fecha.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

    # Insertar gráfico
    if os.path.exists('grafico.png'):
        doc.add_picture('grafico.png', width=Inches(6))
        ultimo_parrafo = doc.paragraphs[-1]
        ultimo_parrafo.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER

        # Leyenda del gráfico en estilo APA 7
        leyenda = doc.add_paragraph('Figura 1. Gráfico de calibración.')
        leyenda_format = leyenda.paragraph_format
        leyenda_format.alignment = WD_PARAGRAPH_ALIGNMENT.CENTER
        leyenda.style = doc.styles['Caption']

    # Agregar contenido del informe
    doc.add_heading('Resumen Estadístico', level=1)
    for linea in informe_md.split('\n'):
        if linea.startswith('##'):
            doc.add_heading(linea.replace('##', '').strip(), level=2)
        else:
            doc.add_paragraph(linea)

    # Añadir tabla de datos
    doc.add_heading('Tabla de Datos de Calibración', level=1)

    # Convertir DataFrame a lista de listas
    tabla_datos = df_valid.reset_index(drop=True)
    tabla_datos = tabla_datos.round(4)  # Redondear a 4 decimales si es necesario
    columnas = tabla_datos.columns.tolist()
    registros = tabla_datos.values.tolist()

    # Crear tabla en Word
    tabla = doc.add_table(rows=1 + len(registros), cols=len(columnas))
    tabla.style = 'Table Grid'

    # Añadir los encabezados
    hdr_cells = tabla.rows[0].cells
    for idx, col_name in enumerate(columnas):
        hdr_cells[idx].text = col_name

    # Añadir los registros
    for i, registro in enumerate(registros):
        row_cells = tabla.rows[i + 1].cells
        for j, valor in enumerate(registro):
            row_cells[j].text = str(valor)

    # Formatear fuente de la tabla
    for row in tabla.rows:
        for cell in row.cells:
            for paragraph in cell.paragraphs:
                paragraph.style = doc.styles['Normal']

    # Guardar documento
    filename = 'informe_calibracion.docx'
    doc.save(filename)
    return filename

def exportar_informe_latex(df_valid, informe_md):
    # Generar código LaTeX
    informe_tex = r"""\documentclass{article}
\usepackage[spanish]{babel}
\usepackage{amsmath}
\usepackage{graphicx}
\usepackage{booktabs}
\begin{document}
"""
    informe_tex += informe_md.replace('#', '').replace('**', '\\textbf{').replace('*', '\\textit{')
    informe_tex += r"""
\end{document}
"""
    filename = 'informe_calibracion.tex'
    with open(filename, 'w') as f:
        f.write(informe_tex)
    return filename

def exportar_word(df, informe_md, unidad_medida, filas_seleccionadas):
    df_valid = df.copy()
    col_predicha_num = "Concentración Predicha Numérica"
    col_real_promedio = f"Concentración Real Promedio ({unidad_medida})"

    # Convertir columnas a numérico
    df_valid[col_predicha_num] = pd.to_numeric(df_valid[col_predicha_num], errors='coerce')
    df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')

    df_valid = df_valid.dropna(subset=[col_predicha_num, col_real_promedio])

    # Resetear el índice
    df_valid.reset_index(drop=True, inplace=True)

    # Convertir filas_seleccionadas a índices
    if not filas_seleccionadas:
        return None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]

    # Filtrar filas según las seleccionadas
    df_valid = df_valid.loc[indices_seleccionados]

    if df_valid.empty:
        return None

    filename = exportar_informe_word(df_valid, informe_md, unidad_medida)

    return filename  # Retornamos el nombre del archivo

def exportar_latex(df, informe_md, filas_seleccionadas):
    df_valid = df.copy()
    col_predicha_num = "Concentración Predicha Numérica"
    col_real_promedio = [col for col in df_valid.columns if 'Real Promedio' in col][0]

    # Convertir columnas a numérico
    df_valid[col_predicha_num] = pd.to_numeric(df_valid[col_predicha_num], errors='coerce')
    df_valid[col_real_promedio] = pd.to_numeric(df_valid[col_real_promedio], errors='coerce')

    df_valid = df_valid.dropna(subset=[col_predicha_num, col_real_promedio])

    # Resetear el índice
    df_valid.reset_index(drop=True, inplace=True)

    # Convertir filas_seleccionadas a índices
    if not filas_seleccionadas:
        return None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas]

    # Filtrar filas según las seleccionadas
    df_valid = df_valid.loc[indices_seleccionados]

    if df_valid.empty:
        return None

    filename = exportar_informe_latex(df_valid, informe_md)

    return filename  # Retornamos el nombre del archivo

def cargar_ejemplo_ufc(n_replicas):
    df = generar_tabla(7, 2000000, "UFC", n_replicas)
    # Valores reales de ejemplo
    for i in range(1, n_replicas + 1):
        valores_reales = [2000000 - (i - 1) * 10000, 1600000 - (i - 1) * 8000, 1200000 - (i - 1) * 6000,
                          800000 - (i - 1) * 4000, 400000 - (i - 1) * 2000, 200000 - (i - 1) * 1000,
                          100000 - (i - 1) * 500]
        df[f"Concentración Real {i} (UFC)"] = valores_reales
    return 2000000, "UFC", 7, df

def cargar_ejemplo_od(n_replicas):
    df = generar_tabla(7, 1.000, "OD", n_replicas)
    # Valores reales de ejemplo
    for i in range(1, n_replicas + 1):
        valores_reales = [1.000 - (i - 1) * 0.050, 0.800 - (i - 1) * 0.040, 0.600 - (i - 1) * 0.030,
                          0.400 - (i - 1) * 0.020, 0.200 - (i - 1) * 0.010, 0.100 - (i - 1) * 0.005,
                          0.050 - (i - 1) * 0.002]
        df[f"Concentración Real {i} (OD)"] = valores_reales
    return 1.000, "OD", 7, df

def limpiar_datos(n_replicas):
    df = generar_tabla(7, 2000000, "UFC", n_replicas)
    return (
        2000000,   # Concentración Inicial
        "UFC",     # Unidad de Medida
        7,         # Número de filas
        df,        # Tabla Output
        "",        # Estado Output
        None,      # Gráficos Output
        ""         # Informe Output
    )

def generar_datos_sinteticos_evento(df, n_replicas, unidad_medida):
    df = df.copy()
    col_predicha_num = "Concentración Predicha Numérica"

    # Generar datos sintéticos para cada réplica
    for i in range(1, n_replicas + 1):
        col_real = f"Concentración Real {i} ({unidad_medida})"
        df[col_predicha_num] = pd.to_numeric(df[col_predicha_num], errors='coerce')
        desviacion_std = 0.05 * df[col_predicha_num].mean()  # 5% de la media como desviación estándar
        valores_predichos = df[col_predicha_num].astype(float).values
        datos_sinteticos = valores_predichos + np.random.normal(0, desviacion_std, size=len(valores_predichos))
        datos_sinteticos = np.maximum(0, datos_sinteticos)  # Asegurar que no haya valores negativos
        datos_sinteticos = np.round(datos_sinteticos, 3)
        df[col_real] = datos_sinteticos

    return df

def actualizar_tabla_evento(df, n_filas, concentracion, unidad, n_replicas, decimales):
    # Actualizar tabla sin borrar "Concentración Real"
    df_new = generar_tabla(n_filas, concentracion, unidad, n_replicas)

    # Mapear columnas
    col_real_new = [col for col in df_new.columns if 'Concentración Real' in col and 'Promedio' not in col and 'Desviación' not in col]
    col_real_old = [col for col in df.columns if 'Concentración Real' in col and 'Promedio' not in col and 'Desviación' not in col]

    # Reemplazar valores existentes en "Concentración Real"
    for col_new, col_old in zip(col_real_new, col_real_old):
        df_new[col_new] = None
        for idx in df_new.index:
            if idx in df.index:
                df_new.at[idx, col_new] = df.at[idx, col_old]

    # Ajustar decimales
    df_new = ajustar_decimales_evento(df_new, decimales)

    return df_new

def cargar_excel(file):
    # Leer el archivo Excel
    df = pd.read_excel(file.name, sheet_name=None)

    # Verificar que el archivo tenga al menos dos pestañas
    if len(df) < 2:
        return "El archivo debe tener al menos dos pestañas.", None, None, None, None, None, None

    # Obtener la primera pestaña como referencia
    primera_pestaña = next(iter(df.values()))
    concentracion_inicial = primera_pestaña.iloc[0, 0]
    unidad_medida = primera_pestaña.columns[0].split('(')[-1].split(')')[0]
    n_filas = len(primera_pestaña)
    n_replicas = len(df)

    # Generar la tabla base
    df_base = generar_tabla(n_filas, concentracion_inicial, unidad_medida, n_replicas)

    # Llenar la tabla con los datos de cada pestaña
    for i, (sheet_name, sheet_df) in enumerate(df.items(), start=1):
        col_real = f"Concentración Real {i} ({unidad_medida})"
        df_base[col_real] = sheet_df.iloc[:, 1].values

    return concentracion_inicial, unidad_medida, n_filas, n_replicas, df_base, "", None, ""

def calcular_regresion_tabla_principal(df, unidad_medida, filas_seleccionadas_regresion,
                                       palette_puntos, estilo_puntos,
                                       palette_linea_ajuste, estilo_linea_ajuste,
                                       mostrar_linea_ajuste, mostrar_puntos,
                                       legend_location, decimales,
                                       titulo_grafico_original, titulo_grafico_personalizado,
                                       eje_x_original, eje_y_original,
                                       eje_x_personalizado, eje_y_personalizado):
    if df is None or df.empty:
        return "Datos insuficientes", None, None, None

    col_concentracion = "Concentración Predicha Numérica"
    col_absorbancia = f"Concentración Real Promedio ({unidad_medida})"
    col_desviacion = f"Desviación Estándar ({unidad_medida})"

    # Calcular promedio y desviación estándar si es necesario
    n_replicas = len([col for col in df.columns if 'Concentración Real' in col and 'Promedio' not in col and 'Desviación' not in col])
    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida, decimales)

    # Convertir columnas a numérico
    df[col_concentracion] = pd.to_numeric(df[col_concentracion], errors='coerce')
    df[col_absorbancia] = pd.to_numeric(df[col_absorbancia], errors='coerce')
    df[col_desviacion] = pd.to_numeric(df[col_desviacion], errors='coerce')

    df_valid = df.dropna(subset=[col_concentracion, col_absorbancia])

    # Resetear el índice para asegurar que sea secuencial
    df_valid.reset_index(drop=True, inplace=True)

    # Asegurar que el gráfico original tenga todos los puntos
    df_original = df_valid.copy()

    # Convertir filas_seleccionadas a índices
    if not filas_seleccionadas_regresion:
        return "Se necesitan más datos", None, None, None

    indices_seleccionados = [int(s.split(' ')[1]) - 1 for s in filas_seleccionadas_regresion]

    # Filtrar filas según las seleccionadas para el gráfico personalizado
    df_valid = df_valid.loc[indices_seleccionados]

    if len(df_valid) < 2:
        return "Se requieren al menos dos puntos para calcular la regresión", None, None, None

    # Calcular regresión lineal para el gráfico personalizado
    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_concentracion], df_valid[col_absorbancia])

    # Generar gráfico original (con todos los puntos)
    sns.set(style="whitegrid")
    fig_original, ax_original = plt.subplots(figsize=(8, 6))

    ax_original.errorbar(
        df_original[col_concentracion],
        df_original[col_absorbancia],
        yerr=df_original[col_desviacion],
        fmt='o',
        color='blue',
        ecolor='gray',
        elinewidth=1,
        capsize=3,
        label='Datos'
    )

    # Calcular regresión para todos los puntos
    slope_all, intercept_all, r_value_all, p_value_all, std_err_all = stats.linregress(df_original[col_concentracion], df_original[col_absorbancia])

    ax_original.plot(
        df_original[col_concentracion],
        intercept_all + slope_all * df_original[col_concentracion],
        color='red',
        linestyle='-',
        label='Ajuste Lineal'
    )

    # Título y etiquetas personalizadas para el gráfico original
    ax_original.set_xlabel(eje_x_original if eje_x_original else 'Concentración Predicha Numérica')
    ax_original.set_ylabel(eje_y_original if eje_y_original else f'Concentración Real Promedio ({unidad_medida})')
    ax_original.set_title(titulo_grafico_original if titulo_grafico_original else 'Regresión Lineal: Concentración Real vs Concentración Predicha (Original)')

    # Posicionar la leyenda según la opción seleccionada (por defecto 'lower right')
    ax_original.legend(loc=legend_location)

    # Añadir ecuación y R² en el gráfico
    ax_original.annotate(
        f'y = {intercept_all:.4f} + {slope_all:.4f}x\n$R^2$ = {r_value_all**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    # Generar gráfico personalizado
    sns.set(style="whitegrid")
    fig_personalizado, ax_personalizado = plt.subplots(figsize=(8, 6))

    # Obtener colores de las paletas
    colors_puntos = sns.color_palette(palette_puntos, as_cmap=False)
    colors_linea_ajuste = sns.color_palette(palette_linea_ajuste, as_cmap=False)

    color_puntos = colors_puntos[0]
    color_linea_ajuste = colors_linea_ajuste[0]

    if mostrar_puntos:
        ax_personalizado.errorbar(
            df_valid[col_concentracion],
            df_valid[col_absorbancia],
            yerr=df_valid[col_desviacion],
            fmt=estilo_puntos,
            color=color_puntos,
            ecolor='gray',
            elinewidth=1,
            capsize=3,
            label='Datos'
        )

    if mostrar_linea_ajuste:
        ax_personalizado.plot(
            df_valid[col_concentracion],
            intercept + slope * df_valid[col_concentracion],
            color=color_linea_ajuste,
            linestyle=estilo_linea_ajuste,
            label='Ajuste Lineal'
        )

    # Título y etiquetas personalizadas para el gráfico personalizado
    ax_personalizado.set_xlabel(eje_x_personalizado if eje_x_personalizado else 'Concentración Predicha Numérica')
    ax_personalizado.set_ylabel(eje_y_personalizado if eje_y_personalizado else f'Concentración Real Promedio ({unidad_medida})')
    ax_personalizado.set_title(titulo_grafico_personalizado if titulo_grafico_personalizado else 'Regresión Lineal Personalizada')

    # Posicionar la leyenda según la opción seleccionada
    ax_personalizado.legend(loc=legend_location)

    # Añadir ecuación y R² en el gráfico
    ax_personalizado.annotate(
        f'y = {intercept:.4f} + {slope:.4f}x\n$R^2$ = {r_value**2:.4f}',
        xy=(0.05, 0.95),
        xycoords='axes fraction',
        fontsize=12,
        backgroundcolor='white',
        verticalalignment='top'
    )

    # Crear tabla resumida
    df_resumen = df_valid[[col_concentracion, col_absorbancia, col_desviacion]].copy()
    df_resumen.columns = ['Concentración Predicha', 'Absorbancia Promedio', 'Desviación Estándar']

    return "Regresión calculada exitosamente", fig_original, fig_personalizado, df_resumen

# Función corregida para actualizar las opciones de filas
def actualizar_opciones_filas(df):
    if df is None or df.empty:
        update = gr.update(choices=[], value=[])
    else:
        opciones = [f"Fila {i+1}" for i in df.index]
        update = gr.update(choices=opciones, value=opciones)
    return update, update

# Interfaz Gradio
with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
    gr.Markdown("""
    # 📊 Sistema Avanzado de Calibración con Análisis Estadístico
    Configure los parámetros, edite los valores en la tabla y luego presione "Calcular" para obtener el análisis.
    """)

    with gr.Tab("📝 Datos de Calibración"):
        with gr.Row():
            concentracion_input = gr.Number(
                value=2000000,
                label="Concentración Inicial",
                precision=0
            )
            unidad_input = gr.Textbox(
                value="UFC",
                label="Unidad de Medida",
                placeholder="UFC, OD, etc..."
            )
            filas_slider = gr.Slider(
                minimum=1,
                maximum=20,
                value=7,
                step=1,
                label="Número de filas"
            )
            decimales_slider = gr.Slider(
                minimum=0,
                maximum=5,
                value=3,
                step=1,
                label="Número de Decimales"
            )
            replicas_slider = gr.Slider(
                minimum=1,
                maximum=10,
                value=1,
                step=1,
                label="Número de Réplicas"
            )

        with gr.Row():
            calcular_btn = gr.Button("🔄 Calcular", variant="primary")
            limpiar_btn = gr.Button("🗑 Limpiar Datos", variant="secondary")
            ajustar_decimales_btn = gr.Button("🛠 Ajustar Decimales", variant="secondary")

        with gr.Row():
            ejemplo_ufc_btn = gr.Button("📋 Cargar Ejemplo UFC", variant="secondary")
            ejemplo_od_btn = gr.Button("📋 Cargar Ejemplo OD", variant="secondary")
            sinteticos_btn = gr.Button("🧪 Generar Datos Sintéticos", variant="secondary")
            cargar_excel_btn = gr.UploadButton("📂 Cargar Excel", file_types=[".xlsx"], variant="secondary")

        tabla_output = gr.DataFrame(
            wrap=True,
            label="Tabla de Datos",
            interactive=True,
            type="pandas",
        )

    with gr.Tab("📊 Análisis y Reporte"):
        estado_output = gr.Textbox(label="Estado", interactive=False)
        graficos_output = gr.Plot(label="Gráficos de Análisis")

        # Reemplazar Multiselect por CheckboxGroup
        filas_seleccionadas = gr.CheckboxGroup(
            label="Seleccione las filas a incluir en el análisis",
            choices=[],
            value=[],
        )

        # Opciones y botones debajo del gráfico
        with gr.Row():
            # Paletas de colores disponibles en Seaborn
            paletas_colores = ["deep", "muted", "pastel", "bright", "dark", "colorblind", "Set1", "Set2", "Set3"]

            palette_puntos_dropdown = gr.Dropdown(
                choices=paletas_colores,
                value="deep",
                label="Paleta para Puntos"
            )
            estilo_puntos_dropdown = gr.Dropdown(
                choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"],
                value="o",
                label="Estilo de Puntos"
            )
            palette_linea_ajuste_dropdown = gr.Dropdown(
                choices=paletas_colores,
                value="muted",
                label="Paleta Línea de Ajuste"
            )
            estilo_linea_ajuste_dropdown = gr.Dropdown(
                choices=["-", "--", "-.", ":"],
                value="-",
                label="Estilo Línea de Ajuste"
            )

        with gr.Row():
            palette_linea_ideal_dropdown = gr.Dropdown(
                choices=paletas_colores,
                value="bright",
                label="Paleta Línea Ideal"
            )
            estilo_linea_ideal_dropdown = gr.Dropdown(
                choices=["--", "-", "-.", ":"],
                value="--",
                label="Estilo Línea Ideal"
            )
            palette_barras_error_dropdown = gr.Dropdown(
                choices=paletas_colores,
                value="pastel",
                label="Paleta Barras de Error"
            )
            mostrar_linea_ajuste = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste")
            mostrar_linea_ideal = gr.Checkbox(value=False, label="Mostrar Línea Ideal")  # Desmarcado por defecto
            mostrar_puntos = gr.Checkbox(value=True, label="Mostrar Puntos")
            graficar_btn = gr.Button("📊 Graficar", variant="primary")

        with gr.Row():
            copiar_btn = gr.Button("📋 Copiar Informe", variant="secondary")
            exportar_word_btn = gr.Button("💾 Exportar Informe Word", variant="primary")
            exportar_latex_btn = gr.Button("💾 Exportar Informe LaTeX", variant="primary")

        with gr.Row():
            exportar_word_file = gr.File(label="Informe en Word")
            exportar_latex_file = gr.File(label="Informe en LaTeX")

        # Informe al final
        informe_output = gr.Markdown(elem_id="informe_output")

    with gr.Tab("📈 Regresión Absorbancia vs Concentración"):
        gr.Markdown("## Ajuste de Regresión utilizando datos de la Tabla Principal")

        # Casillas para seleccionar filas
        filas_seleccionadas_regresion = gr.CheckboxGroup(
            label="Seleccione las filas a incluir en el análisis de regresión",
            choices=[],
            value=[],
        )

        # Opciones de personalización
        with gr.Row():
            paletas_colores = ["deep", "muted", "pastel", "bright", "dark", "colorblind", "Set1", "Set2", "Set3"]
            palette_puntos_regresion = gr.Dropdown(
                choices=paletas_colores,
                value="deep",
                label="Paleta para Puntos"
            )
            estilo_puntos_regresion = gr.Dropdown(
                choices=["o", "s", "^", "D", "v", "<", ">", "h", "H", "p", "*", "X", "d"],
                value="o",
                label="Estilo de Puntos"
            )
            palette_linea_ajuste_regresion = gr.Dropdown(
                choices=paletas_colores,
                value="muted",
                label="Paleta Línea de Ajuste"
            )
            estilo_linea_ajuste_regresion = gr.Dropdown(
                choices=["-", "--", "-.", ":"],
                value="-",
                label="Estilo Línea de Ajuste"
            )
            mostrar_linea_ajuste_regresion = gr.Checkbox(value=True, label="Mostrar Línea de Ajuste")
            mostrar_puntos_regresion = gr.Checkbox(value=True, label="Mostrar Puntos")

        with gr.Row():
            legend_location_dropdown = gr.Dropdown(
                choices=[
                    'best', 'upper right', 'upper left', 'lower left', 'lower right',
                    'right', 'center left', 'center right', 'lower center',
                    'upper center', 'center'
                ],
                value='lower right',  # Por defecto 'lower right'
                label='Ubicación de la Leyenda'
            )

        # Campos de texto para personalizar título y ejes
        with gr.Row():
            titulo_grafico_original = gr.Textbox(
                label="Título del Gráfico Original",
                placeholder="Regresión Lineal: Concentración Real vs Concentración Predicha (Original)"
            )
            titulo_grafico_personalizado = gr.Textbox(
                label="Título del Gráfico Personalizado",
                placeholder="Regresión Lineal Personalizada"
            )

        with gr.Row():
            eje_x_original = gr.Textbox(
                label="Etiqueta del Eje X (Gráfico Original)",
                placeholder="Concentración Predicha Numérica"
            )
            eje_y_original = gr.Textbox(
                label="Etiqueta del Eje Y (Gráfico Original)",
                placeholder=f"Concentración Real Promedio ({unidad_input.value})"
            )

        with gr.Row():
            eje_x_personalizado = gr.Textbox(
                label="Etiqueta del Eje X (Gráfico Personalizado)",
                placeholder="Concentración Predicha Numérica"
            )
            eje_y_personalizado = gr.Textbox(
                label="Etiqueta del Eje Y (Gráfico Personalizado)",
                placeholder=f"Concentración Real Promedio ({unidad_input.value})"
            )

        calcular_regresion_btn = gr.Button("Calcular Regresión")

        # Salidas
        estado_regresion_output = gr.Textbox(label="Estado de la Regresión", interactive=False)
        grafico_original_output = gr.Plot(label="Gráfico Original")
        grafico_personalizado_output = gr.Plot(label="Gráfico Personalizado")
        tabla_resumen_output = gr.DataFrame(label="Tabla Resumida")

    # Eventos para actualizar las opciones de filas
    tabla_output.change(
        fn=actualizar_opciones_filas,
        inputs=[tabla_output],
        outputs=[filas_seleccionadas, filas_seleccionadas_regresion]
    )

    # Evento al presionar el botón Calcular
    calcular_btn.click(
        fn=actualizar_analisis,
        inputs=[tabla_output, replicas_slider, unidad_input, filas_seleccionadas, decimales_slider],
        outputs=[estado_output, graficos_output, informe_output, tabla_output]
    )

    # Evento para graficar con opciones seleccionadas
    graficar_btn.click(
        fn=actualizar_graficos,
        inputs=[
            tabla_output, replicas_slider, unidad_input,
            palette_puntos_dropdown, estilo_puntos_dropdown,
            palette_linea_ajuste_dropdown, estilo_linea_ajuste_dropdown,
            palette_linea_ideal_dropdown, estilo_linea_ideal_dropdown,
            palette_barras_error_dropdown,
            mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos,
            filas_seleccionadas, decimales_slider
        ],
        outputs=graficos_output
    )

    # Asegurar que la línea ideal esté desmarcada por defecto
    def resetear_linea_ideal():
        return gr.update(value=False)

    # Desmarcar 'Mostrar Línea Ideal' en eventos de botones
    calcular_btn.click(
        fn=resetear_linea_ideal,
        outputs=mostrar_linea_ideal
    )
    limpiar_btn.click(
        fn=resetear_linea_ideal,
        outputs=mostrar_linea_ideal
    )
    ajustar_decimales_btn.click(
        fn=resetear_linea_ideal,
        outputs=mostrar_linea_ideal
    )
    sinteticos_btn.click(
        fn=resetear_linea_ideal,
        outputs=mostrar_linea_ideal
    )

    # Eventos de los botones adicionales, como limpiar, cargar ejemplos, ajustar decimales, etc.
    # Evento para limpiar datos
    limpiar_btn.click(
        fn=limpiar_datos,
        inputs=[replicas_slider],
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output]
    )

    # Eventos de los botones de ejemplo
    ejemplo_ufc_btn.click(
        fn=cargar_ejemplo_ufc,
        inputs=[replicas_slider],
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output]
    )

    ejemplo_od_btn.click(
        fn=cargar_ejemplo_od,
        inputs=[replicas_slider],
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output]
    )

    # Evento para generar datos sintéticos
    sinteticos_btn.click(
        fn=generar_datos_sinteticos_evento,
        inputs=[tabla_output, replicas_slider, unidad_input],
        outputs=tabla_output
    )

    # Evento para cargar archivo Excel
    cargar_excel_btn.upload(
        fn=cargar_excel,
        inputs=[cargar_excel_btn],
        outputs=[concentracion_input, unidad_input, filas_slider, replicas_slider, tabla_output, estado_output, graficos_output, informe_output]
    )

    # Evento al presionar el botón Ajustar Decimales
    ajustar_decimales_btn.click(
        fn=ajustar_decimales_evento,
        inputs=[tabla_output, decimales_slider],
        outputs=tabla_output
    )

    # Actualizar tabla al cambiar los parámetros (sin borrar "Concentración Real")
    def actualizar_tabla_wrapper(df, filas, conc, unidad, replicas, decimales):
        return actualizar_tabla_evento(df, filas, conc, unidad, replicas, decimales)

    concentracion_input.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    unidad_input.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    filas_slider.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    replicas_slider.change(
        fn=actualizar_tabla_wrapper,
        inputs=[tabla_output, filas_slider, concentracion_input, unidad_input, replicas_slider, decimales_slider],
        outputs=tabla_output
    )

    decimales_slider.change(
        fn=ajustar_decimales_evento,
        inputs=[tabla_output, decimales_slider],
        outputs=tabla_output
    )

    # Evento de copiar informe utilizando JavaScript
    copiar_btn.click(
        None,
        [],
        [],
        js="""
        function() {
            const informeElement = document.querySelector('#informe_output');
            const range = document.createRange();
            range.selectNode(informeElement);
            window.getSelection().removeAllRanges();
            window.getSelection().addRange(range);
            document.execCommand('copy');
            window.getSelection().removeAllRanges();
            alert('Informe copiado al portapapeles');
        }
        """
    )

    # Eventos de exportar informes
    exportar_word_btn.click(
        fn=exportar_word,
        inputs=[tabla_output, informe_output, unidad_input, filas_seleccionadas],
        outputs=exportar_word_file
    )

    exportar_latex_btn.click(
        fn=exportar_latex,
        inputs=[tabla_output, informe_output, filas_seleccionadas],
        outputs=exportar_latex_file
    )

    # Inicializar la interfaz con el ejemplo base
    def iniciar_con_ejemplo():
        n_replicas = 1
        df = generar_tabla(7, 2000000, "UFC", n_replicas)
        # Valores reales de ejemplo
        df[f"Concentración Real 1 (UFC)"] = [2000000, 1600000, 1200000, 800000, 400000, 200000, 100000]
        # Calcular promedio y desviación estándar
        df = calcular_promedio_desviacion(df, n_replicas, "UFC", 3)
        filas_seleccionadas_inicial = [f"Fila {i+1}" for i in df.index]
        estado, fig, informe, df = actualizar_analisis(df, n_replicas, "UFC", filas_seleccionadas_inicial, 3)
        return (
            2000000,
            "UFC",
            7,
            df,
            estado,
            fig,
            informe,
            filas_seleccionadas_inicial,
            3  # Número de decimales
        )

    interfaz.load(
        fn=iniciar_con_ejemplo,
        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas, decimales_slider]
    )

    # Evento al presionar el botón de calcular regresión
    calcular_regresion_btn.click(
        fn=calcular_regresion_tabla_principal,
        inputs=[
            tabla_output, unidad_input, filas_seleccionadas_regresion,
            palette_puntos_regresion, estilo_puntos_regresion,
            palette_linea_ajuste_regresion, estilo_linea_ajuste_regresion,
            mostrar_linea_ajuste_regresion, mostrar_puntos_regresion,
            legend_location_dropdown, decimales_slider,
            titulo_grafico_original, titulo_grafico_personalizado,
            eje_x_original, eje_y_original,
            eje_x_personalizado, eje_y_personalizado
        ],
        outputs=[estado_regresion_output, grafico_original_output, grafico_personalizado_output, tabla_resumen_output]
    )

# Lanzar la interfaz
if __name__ == "__main__":
    interfaz.launch()