Update app.py

app.py

@@ -45,11 +45,6 @@ def generar_tabla(n_filas, concentracion_inicial, unidad_medida, n_replicas):
     # Las columnas de promedio y desviación estándar se agregarán durante el análisis
     return df
 
-# Aquí deben estar definidas todas las funciones necesarias
-# Por motivos de espacio y para mantener la claridad, me centraré en la estructura general
-# y en asegurar que no haya bloques vacíos que causen errores de indentación
-
-# Funciones auxiliares
 def ajustar_decimales_evento(df, decimales):
     df = df.copy()
     # Ajustar decimales en todas las columnas numéricas
@@ -62,21 +57,262 @@ def ajustar_decimales_evento(df, decimales):
     return df
 
 def calcular_promedio_desviacion(df, n_replicas, unidad_medida):
-    # Código para calcular promedio y desviación estándar
+    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, 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):
-    # Código para generar gráficos
-    return plt.figure()
+    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:.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']
+    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):
-    # Código para actualizar el análisis
-    estado = "Análisis actualizado"
-    fig = plt.figure()
-    informe = "Informe generado"
+    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)
+
+    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=True, 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,
@@ -86,32 +322,290 @@ def actualizar_graficos(df, n_replicas, unidad_medida,
                         palette_barras_error,
                         mostrar_linea_ajuste, mostrar_linea_ideal, mostrar_puntos,
                         filas_seleccionadas):
-    # Código para actualizar gráficos
-    return plt.figure()
+    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)
+
+    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):
-    # Código para cargar ejemplo UFC
     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):
-    # Código para cargar ejemplo OD
     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):
-    # Código para limpiar datos
     df = generar_tabla(7, 2000000, "UFC", n_replicas)
-    return 2000000, "UFC", 7, df, "", None, ""
+    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):
-    # Código para generar datos sintéticos
-    return df
+    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
 
-def actualizar_tabla_evento(df, filas, conc, unidad, replicas):
-    # Código para actualizar la tabla sin borrar datos existentes
     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]
+
+    return df_new
+
+def cargar_excel(file):
+    # Leer el archivo Excel
+    df_dict = pd.read_excel(file.name, sheet_name=None)
+
+    # Verificar que el archivo tenga al menos dos pestañas
+    if len(df_dict) < 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_dict.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_dict)
+
+    # 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_dict.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 actualizar_opciones_filas(df):
     if df is None or df.empty:
         return gr.update(choices=[], value=[])
@@ -130,10 +624,41 @@ def calcular_regresion(df, columna_conc, columna_abs):
     if df is None or df.empty or not columna_conc or not columna_abs:
         return "Datos insuficientes", None
 
-    # Implementación de la regresión
-    estado = "Regresión calculada exitosamente"
-    fig = plt.figure()
-    return estado, fig
+    try:
+        df_conc = pd.to_numeric(df[columna_conc], errors='coerce')
+        df_abs = pd.to_numeric(df[columna_abs], errors='coerce')
+    except KeyError:
+        return "Columnas seleccionadas no encontradas en la tabla", None
+
+    df_reg = pd.DataFrame({'Concentración': df_conc, 'Absorbancia': df_abs}).dropna()
+
+    if len(df_reg) < 2:
+        return "Se requieren al menos dos puntos para calcular la regresión", None
+
+    # Calcular regresión lineal
+    slope, intercept, r_value, p_value, std_err = stats.linregress(df_reg["Concentración"], df_reg["Absorbancia"])
+
+    # Generar gráfico
+    fig, ax = plt.subplots(figsize=(8, 6))
+    ax.scatter(df_reg["Concentración"], df_reg["Absorbancia"], color='blue', label='Datos')
+    x_vals = np.linspace(df_reg["Concentración"].min(), df_reg["Concentración"].max(), 100)
+    ax.plot(x_vals, intercept + slope * x_vals, 'r', label='Ajuste Lineal')
+    ax.set_xlabel('Concentración')
+    ax.set_ylabel('Absorbancia')
+    ax.set_title('Regresión Lineal: Absorbancia vs Concentración')
+    ax.legend()
+
+    # Añadir ecuación y R² en el gráfico
+    ax.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'
+    )
+
+    return "Regresión calculada exitosamente", fig
 
 # Interfaz Gradio
 with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
@@ -305,7 +830,135 @@ with gr.Blocks(theme=gr.themes.Soft()) as interfaz:
         outputs=[estado_regresion_output, grafico_regresion_output]
     )
 
-    # Agregar aquí los demás eventos necesarios
+    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
+        ],
+        outputs=graficos_output
+    )
+
+    limpiar_btn.click(
+        fn=limpiar_datos,
+        inputs=[replicas_slider],
+        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output]
+    )
+
+    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]
+    )
+
+    sinteticos_btn.click(
+        fn=generar_datos_sinteticos_evento,
+        inputs=[tabla_output, replicas_slider, unidad_input],
+        outputs=tabla_output
+    )
+
+    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]
+    )
+
+    ajustar_decimales_btn.click(
+        fn=ajustar_decimales_evento,
+        inputs=[tabla_output, decimales_slider],
+        outputs=tabla_output
+    )
+
+    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
+    )
+
+    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');
+        }
+        """
+    )
+
+    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
+    )
+
+    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]
+        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)
+        return (
+            2000000,
+            "UFC",
+            7,
+            df,
+            estado,
+            fig,
+            informe,
+            filas_seleccionadas_inicial
+        )
+
+    interfaz.load(
+        fn=iniciar_con_ejemplo,
+        outputs=[concentracion_input, unidad_input, filas_slider, tabla_output, estado_output, graficos_output, informe_output, filas_seleccionadas]
+    )
 
 # Lanzar la interfaz
 if __name__ == "__main__":