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 = [1.00, 0.80, 0.60, 0.40, 0.20, 0.10, 0.05]

    if n_filas <= 7:
        solucion_inoculo = valores_base[:n_filas]
        agua = [round(1 - x, 2) 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, 2))
    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(0).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

    # Añadir columnas para promedio y desviación estándar si hay más de una réplica
    df[f"Concentración Real Promedio ({unidad_medida})"] = None
    if n_replicas > 1:
        df[f"Desviación Estándar ({unidad_medida})"] = None

    return df

def ajustar_decimales_evento(df, decimales):
    df = df.copy()
    # Identificar la columna de Concentración Predicha Numérica y la de visualización
    col_predicha_num = "Concentración Predicha Numérica"
    col_predicha = [col for col in df.columns if 'Concentración Predicha (' in col][0]

    # Redondear la columna numérica al número de decimales especificado
    df[col_predicha_num] = df[col_predicha_num].astype(float).round(decimales)

    # Actualizar la columna de visualización con el formato deseado
    df[col_predicha] = df[col_predicha_num].apply(lambda x: f"{x:.{decimales}f}")

    return df

def calcular_promedio_desviacion(df, n_replicas, unidad_medida):
    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

    return df

def generar_graficos(df_valid, n_replicas, unidad_medida):
    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].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))

    # Gráfico de dispersión con línea de regresión
    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='o',
            color='blue',
            ecolor='lightgray',
            elinewidth=2,
            capsize=3,
            label='Datos Reales'
        )
    else:
        sns.scatterplot(
            data=df_valid,
            x=col_predicha_num,
            y=col_real_promedio,
            ax=ax1,
            color='blue',
            s=100,
            label='Datos Reales',
            marker='o'
        )

    # Línea de ajuste
    sns.lineplot(
        x=df_valid[col_predicha_num],
        y=df_valid['Ajuste Lineal'],
        ax=ax1,
        color='green',
        label='Ajuste Lineal',
        linewidth=2
    )

    # Línea 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='red',
        linestyle='--',
        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:.2f} + {slope:.2f}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']
    sns.scatterplot(
        data=df_valid,
        x=col_predicha_num,
        y=residuos,
        ax=ax2,
        color='purple',
        s=100,
        marker='D',
        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):
    if df is None or df.empty:
        return "Error en los datos", None, "No se pueden generar análisis", df

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

    # Calcular promedio y desviación estándar
    df = calcular_promedio_desviacion(df, n_replicas, 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])

    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]

    fig = generar_graficos(df_valid, n_replicas, unidad_medida)
    informe, estado = generar_informe_completo(df_valid, n_replicas, unidad_medida)

    return estado, fig, informe, df

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):
    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])

    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):
    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])

    if df_valid.empty:
        return None

    filename = exportar_informe_latex(df_valid, informe_md)

    return filename  # Retornamos el nombre del archivo

# Funciones de ejemplo
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, 1.0, "OD", n_replicas)
    # Valores reales de ejemplo
    for i in range(1, n_replicas + 1):
        valores_reales = [1.00 - (i - 1) * 0.05, 0.80 - (i - 1) * 0.04, 0.60 - (i - 1) * 0.03,
                          0.40 - (i - 1) * 0.02, 0.20 - (i - 1) * 0.01, 0.10 - (i - 1) * 0.005,
                          0.05 - (i - 1) * 0.002]
        df[f"Concentración Real {i} (OD)"] = valores_reales
    return 1.0, "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, 2)
        df[col_real] = datos_sinteticos

    # Calcular promedio y desviación estándar
    df = calcular_promedio_desviacion(df, n_replicas, unidad_medida)

    return df

def actualizar_tabla_evento(df, n_filas, concentracion, unidad, n_replicas):
    # 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]

    # Recalcular promedio y desviación estándar
    df_new = calcular_promedio_desviacion(df_new, n_replicas, unidad)

    return df_new

# 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=0,
                step=1,
                label="Número de Decimales"
            )
            replicas_slider = gr.Slider(
                minimum=1,
                maximum=5,
                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")

        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")
        informe_output = gr.Markdown(elem_id="informe_output")

        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")

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

    # Eventos
    input_components = [tabla_output]
    output_components = [estado_output, graficos_output, informe_output, tabla_output]

    # Evento al presionar el botón Calcular
    calcular_btn.click(
        fn=actualizar_analisis,
        inputs=[tabla_output, replicas_slider, unidad_input],
        outputs=output_components
    )

    # 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 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):
        return actualizar_tabla_evento(df, filas, conc, unidad, replicas)

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

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

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

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

    # No agregamos un evento para decimales_slider.change, para evitar borrar la columna "Concentración Real"

    # 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],
        outputs=exportar_word_file
    )

    exportar_latex_btn.click(
        fn=exportar_latex,
        inputs=[tabla_output, informe_output],
        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")
        estado, fig, informe, df = actualizar_analisis(df, n_replicas, "UFC")
        return (
            2000000,
            "UFC",
            7,
            df,
            estado,
            fig,
            informe
        )

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

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