1 Resumen

Se desarrolló un Diseño Completamente al Azar (DCA) hipotético, balanceado y de un factor fijo, que compara tres alternativas fasciolicidas codificadas A, B y C. Se utilizaron 30 ovinos ficticios, con diez unidades experimentales por tratamiento. La asignación se realizó aleatoriamente en Python; la base resultante se congeló para el análisis en R. La variable de respuesta fue el recuento posterior de huevos por gramo de heces (HPG), analizado principalmente como \(\log(1+\mathrm{HPG})\).

El ANOVA de un factor produjo \(F(2,27)=\) 6.758 y \(p=\) 0.00417. Este resultado describe exclusivamente la simulación; no constituye evidencia de eficacia parasitológica real.

2 Planteamiento del problema

La fasciolosis es una parasitosis causada por Fasciola hepatica. En un escenario didáctico, se desea ilustrar cómo comparar tres intervenciones bajo asignación aleatoria verdadera de tratamientos a unidades experimentales. El recuento fecal de huevos es un indicador indirecto sujeto a limitaciones; por ello, este ejercicio no pretende estimar curación ni eficacia clínica.

Pregunta de investigación: en un DCA simulado, ¿difieren los recuentos posteriores de HPG entre las tres alternativas codificadas?

Objetivo general: comparar la respuesta parasitológica simulada de ovinos asignados al azar a tres tratamientos, aplicando y documentando un DCA balanceado.

Objetivos específicos: (i) documentar unidades y aleatorización; (ii) describir HPG posterior por tratamiento; (iii) contrastar medias transformadas mediante ANOVA; (iv) verificar supuestos y comparaciones múltiples; y (v) explorar la robustez mediante un modelo de conteos y un ajuste basal.

3 Materiales y métodos

3.1 Carácter de la simulación

No se realizaron procedimientos en animales. Las unidades, los tratamientos y los datos son ficticios. A, B y C no representan fármacos, dosis ni regímenes reales. No se puede extrapolar el orden de los tratamientos a decisiones veterinarias.

3.2 Especificación del diseño

Elemento Definición
Diseño Completamente al azar (DCA) simulado, balanceado
Factor fijo Tratamiento fasciolicida codificado
Tratamientos A, B y C
Unidad experimental Ovino individual (hipotéticamente tratado y manejado de forma independiente)
Repeticiones biológicas 10 por tratamiento
Tamaño total 30 ovinos
Asignación Aleatoria completa, con 10 unidades por grupo
Bloques Ninguno
Respuesta principal HPG fecal posterior por ovino
Información auxiliar HPG basal individual
Análisis principal ANOVA de \(\log(1+\mathrm{HPG\ posterior})\)

El ovino, y no la muestra fecal ni las dos mediciones, constituye la unidad experimental. Se supone independencia entre animales en el manejo ficticio. Si varios ovinos compartieran una exposición grupal que impidiera tratamientos individualizados, cambiaría la unidad experimental y este DCA tendría que rediseñarse.

3.3 Representación esquemática del diseño experimental

Figura 1. Esquema del DCA teórico. La asignación ocurre a nivel de ovino y no existen bloques.

Figura 1. Esquema del DCA teórico. La asignación ocurre a nivel de ovino y no existen bloques.

3.4 Aleatorización y trazabilidad

La asignación balanceada se generó con numpy.random.default_rng(2542026) en Python. La semilla no produce por sí sola las mismas asignaciones en R, porque los generadores no son equivalentes. Para conservar la reproducibilidad, se utiliza la base original congelada 01_datos_sinteticos_y_asignacion.csv y no se genera una nueva asignación en este informe.

knitr::kable(as.data.frame(table(Tratamiento=d$tratamiento)), caption='Auditoría del balance de la asignación')
Auditoría del balance de la asignación
Tratamiento Freq
A 10
B 10
C 10
knitr::kable(d[order(d$ovino),c('ovino','tratamiento','hpg_pre','hpg_post')], caption='Unidades experimentales, asignación y respuestas sintéticas')
Unidades experimentales, asignación y respuestas sintéticas
ovino tratamiento hpg_pre hpg_post
O01 B 40 8
O02 B 24 1
O03 C 27 23
O04 A 18 5
O05 A 17 2
O06 B 19 0
O07 C 42 36
O08 B 23 8
O09 A 16 14
O10 A 47 22
O11 C 25 8
O12 C 43 60
O13 B 20 8
O14 A 29 28
O15 A 26 11
O16 C 25 13
O17 C 17 23
O18 B 19 6
O19 B 19 12
O20 B 18 2
O21 B 27 7
O22 A 14 4
O23 C 41 19
O24 C 21 15
O25 A 32 6
O26 B 56 15
O27 C 33 27
O28 A 19 3
O29 C 20 7
O30 A 34 12

3.5 Hipótesis y modelo

Para \(i=1,2,3\) y \(j=1,\ldots,10\):

\[Y_{ij}=\mu+\tau_i+\varepsilon_{ij},\qquad Y_{ij}=\log(1+\mathrm{HPG}_{ij,post}).\]

\(H_0:\mu_A=\mu_B=\mu_C\) frente a \(H_1\): al menos una media transformada difiere. En el ANOVA clásico se suponen errores independientes, varianza residual común y normalidad aproximada.

El contraste se plantea sobre las medias de la escala transformada, no directamente sobre las medias aritméticas originales de HPG.

4 Resultados

4.1 Descripción de la respuesta

res <- do.call(rbind, lapply(split(d$hpg_post,d$tratamiento),function(x)
  c(n=length(x),media=mean(x),desviacion=sd(x),mediana=median(x),minimo=min(x),maximo=max(x))))
res <- data.frame(tratamiento=rownames(res),res,row.names=NULL)
knitr::kable(res,digits=2,caption='HPG posterior por tratamiento (escala original)')
HPG posterior por tratamiento (escala original)
tratamiento n media desviacion mediana minimo maximo
A 10 10.7 8.65 8.5 2 28
B 10 6.7 4.74 7.5 0 15
C 10 23.1 15.69 21.0 7 60
Figura 2. Distribución individual de HPG posterior por tratamiento.

Figura 2. Distribución individual de HPG posterior por tratamiento.

4.2 ANOVA del DCA

knitr::kable(as.data.frame(an),digits=5,caption='Tabla de ANOVA para log(1 + HPG posterior)')
Tabla de ANOVA para log(1 + HPG posterior)
Df Sum Sq Mean Sq F value Pr(>F)
tratamiento 2 7.84610 3.92305 6.75827 0.00417
Residuals 27 15.67298 0.58048 NA NA
cat(sprintf('F(%d,%d) = %.4f; p = %.6f.\n',as.integer(an[1,'Df']),as.integer(an[2,'Df']),F_global,p_global))
## F(2,27) = 6.7583; p = 0.004172.

Con nivel \(\alpha=0.05\), se rechaza la hipótesis de igualdad de medias transformadas. La inferencia se refiere únicamente al universo ficticio definido por la simulación.

4.3 Auditoría de supuestos

tests <- data.frame(prueba=c('Shapiro-Wilk: normalidad de residuos','Fligner-Killeen: homogeneidad de dispersión'),estadistico=c(unname(sh$statistic),unname(fl$statistic)),p=c(sh$p.value,fl$p.value))
knitr::kable(tests,digits=5,caption='Pruebas diagnósticas del ANOVA')
Pruebas diagnósticas del ANOVA
prueba estadistico p
Shapiro-Wilk: normalidad de residuos 0.96286 0.36575
Fligner-Killeen: homogeneidad de dispersión 0.83038 0.66022
Figura 3. Diagnósticos gráficos de los residuos del ANOVA.

Figura 3. Diagnósticos gráficos de los residuos del ANOVA.

Los valores p no detectan desviaciones significativas en estas pruebas, pero no demuestran que sus supuestos sean ciertos. La asignación aleatoria de tratamientos y el manejo independiente sostienen conceptualmente la independencia; una prueba de normalidad no la sustituye.

4.4 Comparaciones múltiples de Tukey

knitr::kable(as.data.frame(tuk),digits=5,caption='Comparaciones de Tukey sobre log(1 + HPG posterior)')
Comparaciones de Tukey sobre log(1 + HPG posterior)
diff lwr upr p adj
B-A -0.43464 -1.27945 0.41017 0.42075
C-A 0.80014 -0.04467 1.64495 0.06599
C-B 1.23478 0.38997 2.07959 0.00329

Las comparaciones múltiples se interpretan exclusivamente en la escala \(\log(1+\mathrm{HPG})\). La diferencia B–C resulta significativa en los datos congelados; este resultado no describe un medicamento real.

4.5 Sensibilidad: modelo binomial negativo

if (!requireNamespace('MASS',quietly=TRUE)) {
  cat('El paquete recomendado MASS no está disponible; omitiendo el análisis de sensibilidad NB.\n')
} else {
  nb <- MASS::glm.nb(hpg_post~tratamiento,data=d)
  nb0 <- MASS::glm.nb(hpg_post~1,data=d)
  tabNB <- data.frame(modelo=c('NB nulo','NB tratamiento'), AIC=c(AIC(nb0),AIC(nb)),logLik=c(as.numeric(logLik(nb0)),as.numeric(logLik(nb))))
  knitr::kable(tabNB,digits=4,caption='Modelos binomiales negativos de sensibilidad')
  LR <- 2*(as.numeric(logLik(nb))-as.numeric(logLik(nb0)))
  p_LR <- pchisq(LR,df=2,lower.tail=FALSE)
  cat(sprintf('Contraste LR aproximado: chi-cuadrado(2) = %.4f, p = %.6f.\n',LR,p_LR))
  knitr::kable(as.data.frame(coef(summary(nb))),digits=4,caption='Coeficientes del modelo NB')
}
## Contraste LR aproximado: chi-cuadrado(2) = 12.7533, p = 0.001701.
Coeficientes del modelo NB
Estimate Std. Error z value Pr(>|z|)
(Intercept) 2.3702 0.2254 10.5170 0.0000
tratamientoB -0.4681 0.3274 -1.4300 0.1527
tratamientoC 0.7696 0.3108 2.4765 0.0133

Esta sensibilidad reconoce que los HPG son conteos. El contraste LR es una aproximación asintótica en una muestra simulada pequeña; no reemplaza el análisis principal definido para el ejercicio.

4.6 Sensibilidad adicional: ajuste por HPG basal

aj_basal <- lm(log1p_post~tratamiento+log1p(hpg_pre),data=d)
knitr::kable(as.data.frame(drop1(aj_basal,test='F')),digits=5,caption='Pruebas parciales del modelo exploratorio ajustado por HPG basal')
Pruebas parciales del modelo exploratorio ajustado por HPG basal
Df Sum of Sq RSS AIC F value Pr(>F)
NA NA 10.60648 -23.19197 NA NA
tratamiento 2 5.77354 16.38002 -14.15406 7.07643 0.00352
log1p(hpg_pre) 1 5.06650 15.67298 -13.47777 12.41968 0.00160

El HPG basal es una covariable pretratamiento. Este análisis no altera la asignación del DCA ni añade repeticiones. Se presenta como sensibilidad exploratoria y no como un segundo resultado primario.

5 Discusión metodológica y alcance de la evidencia

El ejercicio sí ejemplifica un DCA dentro del escenario teórico, pues contiene tratamientos definidos, 30 unidades experimentales individuales y asignación aleatoria completa. El diseño está balanceado; sus grados de libertad son: tratamientos 2, error 27, total 29.

La independencia de los animales es una condición del protocolo supuesto, no una propiedad demostrada por los datos. El análisis sobre \(\log(1+\mathrm{HPG})\) es una aproximación docente razonable; un conteo de huevos puede requerir un modelo discreto, por eso se incorpora el NB como sensibilidad.

Las mediciones de huevos fecales no equivalen a carga absoluta de parásitos. Su ausencia no garantiza ausencia de infección. No se conocieron productos ni dosis, y no se observó un experimento real. Por tanto, el hallazgo estadístico representa el mecanismo sintético de generación de los datos, y no una eficacia terapéutica verificable.

6 Conclusiones

  1. Se documentó un DCA hipotético balanceado de tres tratamientos y diez unidades experimentales individuales por tratamiento, con asignación aleatoria reproducible.
  2. En la base sintética congelada se detectaron diferencias entre las medias de \(\log(1+\mathrm{HPG})\) posterior (F(2,27)=6.758; p=0.00417).
  3. Las pruebas diagnósticas no detectaron desviaciones importantes de normalidad residual u homogeneidad de dispersión; las comprobaciones no garantizan los supuestos.
  4. La comparación B–C es significativa tras Tukey en esta simulación. No procede concluir eficacia clínica ni recomendar ningún tratamiento real.
  5. El DCA queda metodológicamente diferenciado de un estudio observacional: aquí existe asignación aleatoria de tratamientos a unidades experimentales.

7 Reproducibilidad y trazabilidad

Se entrega el archivo congelado 01_datos_sinteticos_y_asignacion.csv. El presente R Markdown no llama a sample(), rnorm(), rpois() ni recrea datos. La semilla 2542026 pertenece a NumPy/Python y se conserva como metadato de la generación original.

cat('CSV:',params$archivo,'\n')
## CSV: 01_datos_sinteticos_y_asignacion.csv
cat('MD5 del CSV:',unname(tools::md5sum(params$archivo)),'\n')
## MD5 del CSV: acfe31ecc58089867e2e3e9db7e0a5f9
cat('R:',R.version.string,'\n')
## R: R version 4.3.3 (2024-02-29)
sessionInfo()
## R version 4.3.3 (2024-02-29)
## Platform: x86_64-pc-linux-gnu (64-bit)
## Running under: Ubuntu 24.04.5 LTS
## 
## Matrix products: default
## BLAS:   /usr/lib/x86_64-linux-gnu/openblas-pthread/libblas.so.3 
## LAPACK: /usr/lib/x86_64-linux-gnu/openblas-pthread/libopenblasp-r0.3.26.so;  LAPACK version 3.12.0
## 
## locale:
##  [1] LC_CTYPE=es_ES.UTF-8       LC_NUMERIC=C              
##  [3] LC_TIME=es_PA.UTF-8        LC_COLLATE=es_ES.UTF-8    
##  [5] LC_MONETARY=es_PA.UTF-8    LC_MESSAGES=es_ES.UTF-8   
##  [7] LC_PAPER=es_PA.UTF-8       LC_NAME=C                 
##  [9] LC_ADDRESS=C               LC_TELEPHONE=C            
## [11] LC_MEASUREMENT=es_PA.UTF-8 LC_IDENTIFICATION=C       
## 
## time zone: America/Panama
## tzcode source: system (glibc)
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## loaded via a namespace (and not attached):
##  [1] digest_0.6.39     R6_2.6.1          fastmap_1.2.0     xfun_0.56        
##  [5] cachem_1.1.0      knitr_1.51        htmltools_0.5.9   rmarkdown_2.30   
##  [9] lifecycle_1.0.5   cli_3.6.5         sass_0.4.10       jquerylib_0.1.4  
## [13] compiler_4.3.3    rstudioapi_0.18.0 tools_4.3.3       evaluate_1.0.5   
## [17] bslib_0.10.0      yaml_2.3.12       otel_0.2.0        jsonlite_2.0.0   
## [21] rlang_1.3.0       MASS_7.3-60.0.1