Update app.py

app.py

@@ -155,49 +155,261 @@ def generar_graficos(df_valid):
     return fig
 
 def evaluar_calidad_calibracion(df_valid, r_squared, rmse, cv_percent):
-    # Función de evaluación (sin cambios)
-    # ...
+    """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):
-    # Generar el informe completo (sin cambios)
-    # ...
+    """Generar un informe completo en formato markdown"""
+    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_real = [col for col in df_valid.columns if 'Real' in col][0]
+
+    # Convertir a numérico
+    df_valid[col_predicha] = df_valid[col_predicha].astype(float)
+    df_valid[col_real] = df_valid[col_real].astype(float)
+
+    # Calcular estadísticas
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
+    r_squared = r_value ** 2
+    rmse = np.sqrt(((df_valid[col_real] - (intercept + slope * df_valid[col_predicha])) ** 2).mean())
+    cv = (df_valid[col_real].std() / df_valid[col_real].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):
-    # Actualizar el análisis (sin cambios)
-    # ...
+    if df is None or df.empty:
+        return "Error en los datos", None, "No se pueden generar análisis"
+
+    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
+    col_real = [col for col in df.columns if 'Real' in col][0]
+
+    # Convertir columnas a numérico
+    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
+    df[col_real] = pd.to_numeric(df[col_real], errors='coerce')
+
+    df_valid = df.dropna(subset=[col_predicha, col_real])
+
+    if len(df_valid) < 2:
+        return "Se necesitan más datos", None, "Se requieren al menos dos valores reales para el análisis"
+
+    # Calcular la regresión y agregar 'Ajuste Lineal'
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_valid[col_predicha], df_valid[col_real])
+    df_valid['Ajuste Lineal'] = intercept + slope * df_valid[col_predicha]
+
+    fig = generar_graficos(df_valid)
+    informe, estado = generar_informe_completo(df_valid)
+
+    return estado, fig, informe
 
 def exportar_informe_word(df_valid, informe_md):
-    # Exportar informe a Word (sin cambios)
-    # ...
+    # 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):
-    # Exportar informe a LaTeX (sin cambios)
-    # ...
+    # 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):
-    # Función para exportar a Word (sin cambios)
-    # ...
+    df_valid = df.copy()
+    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_real = [col for col in df_valid.columns if 'Real' in col][0]
+
+    # Convertir columnas a numérico
+    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
+    df_valid[col_real] = pd.to_numeric(df_valid[col_real], errors='coerce')
+
+    df_valid = df_valid.dropna(subset=[col_predicha, col_real])
+
+    if df_valid.empty:
+        return None
+
+    filename = exportar_informe_word(df_valid, informe_md)
+
+    return filename  # Retornamos el nombre del archivo
 
 def exportar_latex(df, informe_md):
-    # Función para exportar a LaTeX (sin cambios)
-    # ...
+    df_valid = df.copy()
+    col_predicha = [col for col in df_valid.columns if 'Predicha' in col][0]
+    col_real = [col for col in df_valid.columns if 'Real' in col][0]
+
+    # Convertir columnas a numérico
+    df_valid[col_predicha] = pd.to_numeric(df_valid[col_predicha], errors='coerce')
+    df_valid[col_real] = pd.to_numeric(df_valid[col_real], errors='coerce')
+
+    df_valid = df_valid.dropna(subset=[col_predicha, col_real])
+
+    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():
-    # Cargar ejemplo UFC (sin cambios)
-    # ...
+    df = generar_tabla(7, 2000000, "UFC")
+    valores_reales = [2000000, 1600000, 1200000, 800000, 400000, 200000, 100000]
+    df[f"Concentración Real (UFC)"] = valores_reales
+    return 2000000, "UFC", 7, df
 
 def cargar_ejemplo_od():
-    # Cargar ejemplo OD (sin cambios)
-    # ...
+    df = generar_tabla(7, 1.0, "OD")
+    valores_reales = [1.000, 0.800, 0.600, 0.400, 0.200, 0.100, 0.050]
+    df[f"Concentración Real (OD)"] = valores_reales
+    return 1.0, "OD", 7, df
 
 def limpiar_datos():
-    # Limpiar datos (sin cambios)
-    # ...
+    df = generar_tabla(7, 2000000, "UFC")
+    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):
-    # Generar datos sintéticos (sin cambios)
-    # ...
+    df = df.copy()
+    col_predicha = [col for col in df.columns if 'Predicha' in col][0]
+    df[col_predicha] = pd.to_numeric(df[col_predicha], errors='coerce')
+    desviacion_std = 0.05 * df[col_predicha].mean()  # 5% de la media como desviación estándar
+    df = generar_datos_sinteticos(df, desviacion_std)
+    return df
 
 def actualizar_tabla_evento(df, n_filas, concentracion, unidad):
     # Actualizar tabla sin borrar "Concentración Real"