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.
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.
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.
| 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.
Figura 1. Esquema del DCA teórico. La asignación ocurre a nivel de ovino y no existen bloques.
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$tratamiento)), caption='Auditoría del balance de la asignación')
| Tratamiento | Freq |
|---|---|
| A | 10 |
| B | 10 |
| C | 10 |
knitr::kable(d[order(d$ovino),c('ovino','tratamiento','hpg_pre','hpg_post')], caption='Unidades experimentales, asignación y respuestas sintéticas')
| 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 |
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.
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)')
| 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.
knitr::kable(as.data.frame(an),digits=5,caption='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.
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')
| 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.
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.
knitr::kable(as.data.frame(tuk),digits=5,caption='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.
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.
| 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.
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')
| 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.
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.
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