DScode27/Caf-Dx---Sistema-de-Desici-n

Sistema de Desición para agricultores donde muestra la opción que minimize gastos a partir de las evidencias observadas en el terreno # ☕ CaféDx — Diagnóstico Bayesiano de Cultivos de Café Sistema de diagnóstico de enfermedades en cultivos de café basado en **Teoría Bayesiana de la Decisión**, con agente de inteligencia artificial integrado. > Proyecto Final — Investigación de Operaciones · Grupo 4 · Tema: Teoría Bayesiana de la Decisión --- ## ¿Qué hace? El agricultor ingresa cinco evidencias visuales y ambientales de su cultivo. El sistema aplica el **Teorema de Bayes** para calcular la probabilidad posterior de cuatro condiciones (roya, antracnosis, broca y deficiencia nutricional), evalúa la **función de pérdida esperada** para cada posible tratamiento, y recomienda la decisión óptima $D^*$ que minimiza el costo esperado. Un **agente de IA** (Gemini 2.5 Flash) interpreta los resultados en lenguaje natural y responde preguntas del usuario sobre el diagnóstico. --- ## Estructura del proyecto ``` cafedx/ ├── index.html # Página principal: formulario + modelo + agente IA ├── configuracion.html # Editor de parámetros del modelo ├── styles.css # Estilos página principal └── stylesConf.css # Estilos página de configuración ``` --- ## Evidencias del modelo | # | Variable | Opciones | |---|---|---| | E₁ | Color de hojas | Normal, Amarillo, Manchas naranjas, Manchas oscuras | | E₂ | Estado de frutos | Normal, Con perforaciones, Momificados, Decolorados | | E₃ | Patrón de afectación | Plantas aisladas, Por filas, Toda el área | | E₄ | Humedad reciente | Baja, Media, Alta | | E₅ | Parte afectada | Solo hojas, Solo frutos, Hojas y tallos, General | --- ## Uso 1. Abrir `index.html` en el navegador 2. Seleccionar las cinco evidencias observadas en el cultivo 3. Hacer clic en **Diagnosticar cultivo** 4. Revisar las probabilidades posteriores, la tabla de pérdida esperada y la decisión óptima 5. Usar el chat del agente IA para hacer preguntas sobre el diagnóstico Para ajustar los parámetros del modelo (probabilidades previas, verosimilitudes, costos, función de pérdida), …