Update app.py

app.py

@@ -1,20 +1,16 @@
 import gradio as gr
 import numpy as np
 import matplotlib.pyplot as plt
-from matplotlib_venn import venn2
-from itertools import combinations
+from matplotlib_venn import venn2, venn3
 
 # Función para calcular el teorema de Bayes con dos eventos
 def bayes_two_events(prior_A, prob_B_given_A, prob_B_given_notA):
-    # Calculamos P(B) usando la regla de la probabilidad total
-    prob_B = prob_B_given_A * prior_A + prob_B_given_notA * (1 - prior_A)
-    # Calculamos P(A|B) usando el teorema de Bayes
-    posterior_A_given_B = (prob_B_given_A * prior_A) / prob_B
+    prob_B = prob_B_given_A * prior_A + prob_B_given_notA * (1 - prior_A)  # Calculamos P(B)
+    posterior_A_given_B = (prob_B_given_A * prior_A) / prob_B  # Calculamos P(A|B)
     return posterior_A_given_B, prob_B
 
 # Función para crear el diagrama de Venn para dos eventos
 def plot_venn(prior_A, prob_B_given_A, prob_B_given_notA):
-    # Calculamos las áreas relativas del diagrama de Venn
     area_A = prior_A
     area_B = prob_B_given_A * prior_A + prob_B_given_notA * (1 - prior_A)
     area_AB = prob_B_given_A * prior_A
@@ -31,35 +27,42 @@ def plot_venn(prior_A, prob_B_given_A, prob_B_given_notA):
 def bayes_app_two_events(prior_A, prob_B_given_A, prob_B_given_notA):
     posterior_A_given_B, prob_B = bayes_two_events(prior_A, prob_B_given_A, prob_B_given_notA)
     fig_venn = plot_venn(prior_A, prob_B_given_A, prob_B_given_notA)
-    
-    # Retornar el diagrama de Venn y los resultados
     return fig_venn, f"P(B): {prob_B:.4f}", f"P(A|B): {posterior_A_given_B:.4f}"
 
 # Función para múltiples eventos
 def bayes_multiple_events(priors, likelihoods):
     priors = np.array(priors)
     likelihoods = np.array(likelihoods)
-    
-    # Calculamos P(B) usando la regla de la probabilidad total
-    prob_B = np.sum(priors * likelihoods)
-    
-    # Calculamos las probabilidades posteriores P(Ai|B) para cada evento Ai
-    posteriors = (priors * likelihoods) / prob_B
+    prob_B = np.sum(priors * likelihoods)  # Calculamos P(B)
+    posteriors = (priors * likelihoods) / prob_B  # Calculamos las probabilidades posteriores P(Ai|B) para cada evento Ai
     return posteriors, prob_B
 
-# Función para crear gráficos de particiones de conjuntos para múltiples eventos
+# Función para crear diagramas de Venn o gráficos de partición para múltiples eventos
 def plot_sets_multiple_events(priors, likelihoods, posteriors):
-    events = [f'A{i+1}' for i in range(len(priors))]
+    num_events = len(priors)
     
-    fig, ax = plt.subplots(figsize=(6, 4))
-    for i, (prior, likelihood, posterior) in enumerate(zip(priors, likelihoods, posteriors)):
-        ax.barh(events[i], width=posterior, color='purple', alpha=0.6, label=f'P(A{i+1}|B) = {posterior:.2f}')
-        ax.text(posterior, i, f'P(A{i+1}|B) = {posterior:.2f}', va='center')
-
-    ax.set_xlabel('Probabilidad Posterior')
-    ax.set_title('Resultados del Teorema de Bayes para Múltiples Eventos')
-    ax.legend(loc='upper right')
-    return fig
+    if num_events == 2:
+        # Diagrama de Venn para 2 eventos
+        fig, ax = plt.subplots()
+        venn = venn2(subsets=(priors[0], priors[1], likelihoods[0] * priors[0]), set_labels=('A1', 'A2'), ax=ax)
+        ax.set_title('Diagrama de Venn para 2 Eventos')
+        return fig
+
+    elif num_events == 3:
+        # Diagrama de Venn para 3 eventos
+        fig, ax = plt.subplots()
+        venn = venn3(subsets=(priors[0], priors[1], likelihoods[0] * priors[0], priors[2], likelihoods[1] * priors[1], likelihoods[2] * priors[2], likelihoods[0] * likelihoods[1] * priors[0]), set_labels=('A1', 'A2', 'A3'), ax=ax)
+        ax.set_title('Diagrama de Venn para 3 Eventos')
+        return fig
+
+    else:
+        # Gráfico de partición para más de 3 eventos
+        events = [f'A{i+1}' for i in range(num_events)]
+        fig, ax = plt.subplots()
+        ax.bar(events, posteriors, color='purple')
+        ax.set_ylabel('Probabilidad Posterior')
+        ax.set_title('Resultados del Teorema de Bayes para Múltiples Eventos')
+        return fig
 
 # Función principal para múltiples eventos
 def bayes_app_multiple_events(priors, likelihoods):