Dos tipos de moluscos A y B fueron sometidos a tres concentraciones
distintas de agua de mar (100%, 75% y 50%) y se observó el consumo de
oxígeno midiendo la proporción de O2 por unidad de peso seco del
molusco. Realice un análisis exploratorio que permita conocer como es el
consumo de oxígeno en las distintas concentraciones de agua de mar. y si
estas conclusiones son las mismas para cada tipo de molusco.
library(dplyr)
library(gt)
molusco_A <- MOLUSCOS %>% filter(Molusco == "A")
tabla_molusco_A <- molusco_A %>%
group_by(Agua_mar) %>%
summarise(
Mean_SD = paste0(round(mean(Oxigeno, na.rm = TRUE), 2), " (", round(sd(Oxigeno, na.rm = TRUE), 2), ")"),
Median_Range = paste0(round(median(Oxigeno, na.rm = TRUE), 2),
" [", round(min(Oxigeno, na.rm = TRUE), 2), ", ", round(max(Oxigeno, na.rm = TRUE), 2), "]"),
N = n()
)
# Convertir la tabla a formato gt para mejor visualización
tabla_molusco_A %>%
gt() %>%
tab_header(
title = "Consumo de Oxígeno en Molusco Tipo A"
) %>%
cols_label(
Agua_mar = "Concentración de Agua de Mar",
Mean_SD = "Mean (SD)",
Median_Range = "Median [Min, Max]",
N = "N"
)| Consumo de Oxígeno en Molusco Tipo A | |||
| Concentración de Agua de Mar | Mean (SD) | Median [Min, Max] | N |
|---|---|---|---|
| 50 | 12.18 (3.09) | 11.11 [9.74, 18.8] | 8 |
| 75 | 7.89 (2.74) | 7.18 [5.2, 13.2] | 8 |
| 100 | 9.94 (2.75) | 9.3 [6.78, 14] | 8 |
El análisis de la tabla muestra que el consumo de oxígeno en el
molusco tipo A varía con la concentración de agua de mar. A 50%, el
consumo promedio es el más alto, lo que sugiere una mayor demanda
metabólica en esta salinidad. En 75%, el consumo disminuye, acompañado
de una menor desviación estándar, lo que indica una posible estabilidad
fisiológica. A 100%, el consumo aumenta nuevamente, sugiriendo que una
mayor salinidad podría inducir un aumento en la actividad metabólica.
Estos resultados reflejan la influencia de la salinidad en la
respiración del molusco, con una posible zona de menor actividad
metabolica en un 75%. La mediana sigue una tendencia similar, con
valores de 11.11, 7.18 y 9.3, respectivamente.
molusco_A <- MOLUSCOS %>% filter(Molusco == "A")
g2 <- ggplot(molusco_A, aes(x = factor(Agua_mar), y = Oxigeno, fill = factor(Agua_mar))) +
geom_boxplot(color = "black", alpha = 0.7) + # Bordes negros y transparencia del 70%
scale_fill_manual(values = c("#B3E5FC", "#81D4FA", "#29B6F6", "#0288D1")) +
labs(title = "Consumo de Oxígeno en Molusco Tipo A",
x = "Concentración de Agua de Mar",
y = "Consumo de Oxígeno") +
theme_minimal() +
theme(legend.position = "none") # Oculta la leyenda de colores
ggplotly(g2)La gráfica de cajas muestra la distribución del consumo de oxígeno en el molusco tipo A bajo diferentes concentraciones de agua de mar como se ha mencionado anteriormente. A 50%, el consumo de oxígeno es más alto y presenta un valor atípico, lo que sugiere una mayor variabilidad en la respuesta fisiológica. A 75%, el consumo disminuye significativamente y tiene una menor dispersión, lo que indica una posible estabilidad metabólica. A 100%, el consumo aumenta nuevamente y muestra una mayor variabilidad, lo que sugiere que esta salinidad podría inducir un mayor esfuerzo fisiológico en algunos individuos. Esto sugiere que 75% es la concentración en la que el molusco experimenta menos actividad metabólica.
molusco_B <- MOLUSCOS %>% filter(Molusco == "B")
tabla_molusco_B <- molusco_B %>%
group_by(Agua_mar) %>%
summarise(
Mean_SD = paste0(round(mean(Oxigeno, na.rm = TRUE), 2), " (", round(sd(Oxigeno, na.rm = TRUE), 2), ")"),
Median_Range = paste0(round(median(Oxigeno, na.rm = TRUE), 2),
" [", round(min(Oxigeno, na.rm = TRUE), 2), ", ", round(max(Oxigeno, na.rm = TRUE), 2), "]"),
N = n()
)
tabla_molusco_B %>%
gt() %>%
tab_header(
title = "Consumo de Oxígeno en Molusco Tipo B"
) %>%
cols_label(
Agua_mar = "Concentración de Agua de Mar",
Mean_SD = "Mean (SD)",
Median_Range = "Median [Min, Max]",
N = "N"
)| Consumo de Oxígeno en Molusco Tipo B | |||
| Concentración de Agua de Mar | Mean (SD) | Median [Min, Max] | N |
|---|---|---|---|
| 50 | 12.33 (3.52) | 12.85 [6.38, 17.7] | 8 |
| 75 | 6.1 (2.74) | 5.6 [1.8, 9.96] | 8 |
| 100 | 7.41 (2.84) | 6.14 [3.68, 11.6] | 8 |
Al igual que el molusco A, el molusco B según la tabla el consumo de oxígeno es más alto a una concentración de 50% de agua de mar, con una media y mediana altas, lo que sugiere una mayor actividad metabólica en estas condiciones. A 75%, tanto la media como la mediana disminuyen notablemente, indicando una posible estabilidad metabólica ya que disminuye. En 100%, el consumo aumenta levemente (tanto la media como la mediana) lo que sugiere una leve recuperación en la actividad metabólica, aunque sin alcanzar los valores observados en 50%.
# Filtrar solo los datos del molusco tipo B
molusco_B <- MOLUSCOS %>% filter(Molusco == "B")
# Crear la gráfica de cajas con los colores personalizados
g3 <- ggplot(molusco_B, aes(x = factor(Agua_mar), y = Oxigeno, fill = factor(Agua_mar))) +
geom_boxplot(color = "black", alpha = 0.7) + # Bordes negros y transparencia del 70%
scale_fill_manual(values = c("#B3E5FC", "#81D4FA", "#29B6F6", "#0288D1")) +
labs(title = "Consumo de Oxígeno en Molusco Tipo B",
x = "Concentración de Agua de Mar",
y = "Consumo de Oxígeno") +
theme_minimal() +
theme(legend.position = "none") # Oculta la leyenda de colores
ggplotly(g3)Se observa que el consumo de oxígeno es mayor a 50% de agua de mar, con una mediana de mayor y una amplia dispersión de datos, lo que indica variabilidad en la respuesta de los moluscos. A 75% de agua de mar, el consumo de oxígeno disminuye significativamente, con una mediana de menor, sugiriendo que esta salinidad afecta su metabolismo. A 100% de agua de mar, el consumo es un poco mayor que en 75%, al igual que su mediana aumenta levemente, pero sigue estando por debajo del nivel observado en 50%. Estos resultados indican que el Molusco Tipo B tiene mayor actividad más cuando la salinidad es menor.
MOLUSCOS$Agua_mar <- factor(MOLUSCOS$Agua_mar, levels = c(50, 75, 100))
table1(~ Oxigeno | Agua_mar, data = MOLUSCOS)| 50 (N=16) |
75 (N=16) |
100 (N=16) |
Overall (N=48) |
|
|---|---|---|---|---|
| Oxigeno | ||||
| Mean (SD) | 12.3 (3.20) | 6.99 (2.80) | 8.67 (3.00) | 9.30 (3.68) |
| Median [Min, Max] | 11.5 [6.38, 18.8] | 6.43 [1.80, 13.2] | 8.60 [3.68, 14.0] | 9.70 [1.80, 18.8] |
Esta tabla muestra el consumo de oxígeno combinado de ambos moluscos en diferentes concentraciones de agua de mar. Al comparar con las tablas individuales de los moluscos A y B, se observa que el consumo promedio de oxígeno es más alto en 50% de agua de mar, disminuye en 75% y aumenta ligeramente en 100%. Este comportamiento refleja la tendencia de ambos moluscos, donde el consumo más alto ocurre en 50% y el más bajo en 75%. La mediana sigue la misma tendencia, con un valor mayor en 50% (11.5) y una reducción en 75% (6.43), mientras que en 100% (8.60) se observa una recuperación.
MOLUSCOS$Agua_mar <- factor(MOLUSCOS$Agua_mar, levels = c(50, 75, 100))
g1 <- ggplot(MOLUSCOS, aes(x = Agua_mar, y = Oxigeno, fill = Agua_mar)) +
geom_boxplot(alpha = 0.8, outlier.colour = "red", outlier.shape = 16, outlier.size = 2) +
scale_fill_manual(values = c("#B3E5FC", "#81D4FA", "#29B6F6", "#0288D1")) +
labs(title = "Consumo de Oxígeno en las Distintas Concentraciones de Agua de Mar",
x = "Concentración de Agua de Mar",
y = "Consumo de Oxígeno") +
theme_bw() +
theme(plot.title = element_text(hjust = 0.5, face = "bold"))
ggplotly(g1)Esta gráfica de cajas muestra el consumo de oxígeno combinado de ambos moluscos en distintas concentraciones de agua de mar. Al relacionarlo con las tablas individuales de los moluscos, esta tendencia es consistente con los datos de cada especie. Se observa que el consumo es más alto en 50%, disminuye significativamente en 75% y luego muestra una recuperación en 100%. La distribución de los datos también muestra que en 50% hay mayor dispersión, lo que sugiere variabilidad en la respuesta de los moluscos. En cambio, en el 75%, los valores están más concentrados, lo que refuerza la idea de una reducción generalizada en el metabolismo. Finalmente, en 100%, la recuperación es notable, aunque no alcanza los niveles de 50%.
Suponga que se desea realizar una investigación diseñada para conocer el efecto de cuatro tipos de dieta sobre el engorde de cerdos, donde se tienen 20 cerdos asignados aleatoriamente a cuatro grupos experimentales (cuatro dietas disponibles) y someter a cada grupo a un único tipo de dieta. Teniendo en cuenta lo anterior, usted quiere evaluar si existe diferencias entre los pesos corporales de los cerdos (en Kg) después de haber sido criados con esas dietas por un mes. Determine si los pesos medios de los cerdos son estadísticamente iguales para las cuatro dietas. Si encuentra diferencias entre las dietas, realice la exploración de datos e indique cual dieta recomendaría.
Los datos consisten en el peso de 20 cerdos, distribuidos en cuatro grupos de 5 indiviudos, cada uno alimentado con una dieta diferente.
dieta_base$dieta <- factor(dieta_base$dieta, levels = c("A", "B", "C", "D"))
table1(~peso| dieta, data = dieta_base)| A (N=5) |
B (N=5) |
C (N=5) |
D (N=5) |
Overall (N=20) |
|
|---|---|---|---|---|---|
| peso | |||||
| Mean (SD) | 64.6 (3.35) | 71.3 (3.07) | 73.5 (2.99) | 63.2 (2.42) | 68.2 (5.23) |
| Median [Min, Max] | 65.0 [60.8, 68.6] | 71.8 [67.7, 75.0] | 74.3 [69.6, 77.1] | 63.1 [60.3, 66.7] | 68.2 [60.3, 77.1] |
La tabla indica que la dieta C tiene el mayor peso promedio con 73.5 kg, seguida por la dieta B con 71.3 kg, luego la dieta A (64.6 kg) y finalmente la dieta D con el menor valor (63.2 kg). Esto indica que las dietas C y B favorecen un mayor peso en los cerdos en comparación con las dietas A y D.
Además, la variabilidad en el peso es más alta en la dieta A, con pesos que oscilan entre 60.8 y 68.6 kg, mientras que la dieta D es la más estable, pero con valores bajos (60.3 a 66.7 kg), lo que indica que esta dieta podría ser menos efectiva para el engorde de los cerdos.
g2 = ggplot(dieta_base, aes(x = dieta, y = peso, fill = dieta)) +
stat_summary(fun = mean, geom = "bar") +
theme_minimal() +
labs(title = "Distribución de pesos por dieta",
x = "Dieta", y = "Peso promedio de los cerdos (kg)") +
scale_y_continuous(breaks = seq(0, 80, by = 10)) +
scale_fill_manual(values = c("#B3E5FC", "#81D4FA", "#29B6F6", "#0288D1"))
ggplotly(g2)El presente gráfico refuerza los resultados presentados en la tabla anterior al mostrar que el peso promedio de los cerdos varía según la dieta administrada. Las dietas C y B tienen las medias más altas, con valores cercanos a 74 kg y 72 kg, respectivamente, mientras que las dietas A y D presentan menores valores promedio, de 65 kg y 63 kg, respectivamente.
Finalmente se concluye que la Dieta C es la que más favorece el aumento de peso, siendo la mejor opcion para el engorde de los cerdos, mientras que la Dieta D es la menos recomendable debido a sus bajos valores promedio.
A continuación, encontrará usted los datos de riqueza (número de especies) de moluscos asociados a cantos intermareales de diferente tamaño en diferentes épocas del año. Teniendo en cuenta esto, usted quiere evaluar si la riqueza varía entre los diferentes tamaños de cantos, las diferentes épocas del año y si existe interacción entre el tamaño del canto y la época del año.
Número de especies de moluscos asociados a cantos intermareales de diferente tamaño en diferentes épocas del año
CANTO2$Tamano_del_canto_intermareal <- factor(CANTO2$Tamano_del_canto_intermareal,
levels = c("S1", "S2", "S3", "S4"))
table1(~ Numero_especies | Tamano_del_canto_intermareal, data = CANTO2)| S1 (N=16) |
S2 (N=16) |
S3 (N=16) |
S4 (N=16) |
Overall (N=64) |
|
|---|---|---|---|---|---|
| Numero_especies | |||||
| Mean (SD) | 7.31 (1.92) | 5.88 (2.96) | 3.38 (2.28) | 2.31 (1.40) | 4.72 (2.94) |
| Median [Min, Max] | 7.00 [4.00, 11.0] | 6.00 [0, 11.0] | 3.00 [0, 9.00] | 2.00 [0, 5.00] | 4.00 [0, 11.0] |
La tabla muestra que la riqueza de especies de moluscos disminuye conforme el tamaño del canto intermareal es más pequeño. Como se observa, S1 presenta el mayor promedio de especies, seguido de S2, S3 y S4 con el menor valor. Esto indica que los cantos más grandes albergan una mayor riqueza de moluscos. Además, la variabilidad en el número de especies es más alta en S2 (SD = 2.96), lo que sugiere que la riqueza fluctúa más en este tamaño de canto intermareal, mientras que S4 tiene la menor dispersión (SD = 1.40), indicando que en este tamaño de cantos pequeños casi siempre hay pocas especies. La mediana general es 4 especies, con valores extremos de 0 a 11, lo que refleja que algunos cantos pequeños pueden no albergar especies en ciertos momentos.
CANTO2$Tamano_del_canto_intermareal <- factor(CANTO2$Tamano_del_canto_intermareal,
levels = c("S1", "S2", "S3", "S4"))
g1 <- ggplot(CANTO2, aes(x = Tamano_del_canto_intermareal, y = Numero_especies,
fill = Tamano_del_canto_intermareal)) +
geom_boxplot(outlier.colour = "red", outlier.shape = 16, outlier.size = 2, alpha = 0.8) +
theme_minimal(base_size = 14) +
scale_fill_manual(values = c("#B3E5FC", "#81D4FA", "#29B6F6", "#0288D1")) +
labs(title = "Comparación del Tamaño del Canto y Riqueza de Especies",
x = "Tamaño del Canto",
y = "Número de Especies") +
theme(legend.position = "none",
plot.title = element_text(hjust = 0.5, face = "bold"))
ggplotly(g1)El gráfico anterior muestra que la riqueza de especies disminuye a medida que el tamaño del canto es más pequeño tal y como se nos expuso en la tabla. S1 y S2 tienen las medianas más altas, alrededor de 7 y 6 especies, respectivamente, mientras que S3 y S4 presentan menor riqueza, con medianas cercanas a 3 y 2 especies. S2 muestra la mayor variabilidad, con valores que van desde 0 hasta 11 especies, mientras que S4 es el más estable pero con valores bajos ( de 0 hasta 5 especies), lo que indica que los cantos más pequeños tienden a albergar menos diversidad. Se observan valores atípicos en S1 y S3, lo que sugiere que algunos cantos de estos tamaños pueden albergar muchas más especies de lo normal.
table1(~ Numero_especies | Epoca_del_ano, data = CANTO2)| T1 (N=16) |
T2 (N=16) |
T3 (N=16) |
T4 (N=16) |
Overall (N=64) |
|
|---|---|---|---|---|---|
| Numero_especies | |||||
| Mean (SD) | 4.56 (2.90) | 5.00 (2.48) | 4.94 (3.80) | 4.38 (2.66) | 4.72 (2.94) |
| Median [Min, Max] | 3.00 [1.00, 11.0] | 4.50 [1.00, 9.00] | 6.00 [0, 11.0] | 4.00 [1.00, 11.0] | 4.00 [0, 11.0] |
# Convertir Epoca_del_año en factor para un mejor ordenamiento
CANTO2$Epoca_del_ano <- factor(CANTO2$Epoca_del_ano,
levels = c("T1", "T2", "T3", "T4"))La anterior tabla nos indica que la riqueza de especies varía según la época del año, siguiendo un patrón estacional. En T1, la riqueza es menor, con unamediana de 3 especies y una media de 4.56, lo que indica que la mayoría de los valores están concentrados en el rango bajo. En T2, la riqueza aumenta con una mediana de 4.5 y una media de 5, pero su mediana es menor que la de T3 (6 especies), a pesar de que T3 tiene una media de 4.94, ligeramente inferior. Esto sugiere que, aunque en promedio T2 tiene más especies, la distribución de sus valores es más dispersa (el cual observamos en la mediana), probablemente debido a la presencia de valores extremos que elevan la media. En cambio, en T3, la riqueza es más uniformemente alta (ya que su mediana es más alta), reflejando condiciones ambientales más favorables para una mayor presencia de especies. Finalmente, en T4, la riqueza disminuye nuevamente, con una mediana de 4 y una media de 4.38, lo que indica que las condiciones podrían volverse menos favorables. Esta variabilidad sugiere que factores ambientales como temperatura, alimento o cambios en el hábitat influyen en la riqueza de especies en cada temporada.
CANTO2$Epoca_del_ano <- factor(CANTO2$Epoca_del_ano,
levels = c("T1", "T2", "T3", "T4"))
g2 <- ggplot(CANTO2, aes(x = Epoca_del_ano, y = Numero_especies, fill = Epoca_del_ano)) +
geom_boxplot(outlier.colour = "blue", outlier.shape = 16, outlier.size = 2, alpha = 0.8, width = 0.6) +
theme_minimal(base_size = 14) +
scale_fill_manual(values = c("#B3E5FC", "#81D4FA", "#29B6F6", "#0288D1")) +
labs(title = "Comparación de Época del Año y Riqueza de Especies",
subtitle = "Datos de riqueza de moluscos en diferentes épocas del año",
x = "Época del Año",
y = "Número de Especies") +
theme(legend.position = "none",
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
plot.subtitle = element_text(hjust = 0.5, size = 12),
axis.title = element_text(face = "bold"))
ggplotly(g2)La gráfica muestra la variación en la riqueza de especies a lo largo de las diferentes épocas del año (T1, T2, T3 y T4) mediante diagramas de caja. Se observa que T3 presenta la mayor mediana, lo que indica que, en general, durante esta época hay una mayor riqueza de especies en comparación con las demás. Sin embargo, T2 tiene una media más alta que T3, lo que sugiere que, aunque la mayoría de los datos en T3 son mayores, en T2 existen algunos valores extremos que elevan el promedio. T1 y T4 presentan menores medianas, lo que indica una menor riqueza de especies en estas épocas. Esta dispersión de los datos en cada época puede ser debido a factores ambientales o estacionales que influyen en su presencia y abundancia
grafica <- ggplot(CANTO2, aes(x = Epoca_del_ano, y = Numero_especies,
color = Tamano_del_canto_intermareal,
group = Tamano_del_canto_intermareal)) +
stat_summary(fun = mean, geom = "line", size = 1.2) +
stat_summary(fun = mean, geom = "point", size = 3) +
theme_minimal() +
labs(title = "Número de especies según tamaño del canto y época del año",
x = "Época del Año", y = "Número de Especies") +
scale_color_manual(values = c("#29B6F6", "#1048a9", "#7fa3e1","#87d8ec"))
ggplotly(grafica)La gráfica muestra cómo el número de especies varía a lo largo del año en función del tamaño del canto intermareal. Se observa que el grupo S4 alcanza su máxima riqueza en T3 con aproximadamente 8 especies, mientras que S2, que inicia con 7 especies en T1, muestra una disminución progresiva hasta llegar a 4 en T4. En contraste, S3 se mantiene relativamente estable con valores cercanos a 4 especies desde T2 hasta T4, y S1 presenta una ligera variabilidad con valores más bajos. Esto sugiere que los cambios en la época del año influyen de manera diferenciada en la riqueza de especies según el tamaño del canto, posiblemente debido a variaciones en las condiciones ambientales, la disponibilidad de refugios o recursos alimenticios.
Se desea determinar el efecto que tienen dos factores (Temperatura y Sexo) sobre la tasa de consumo de oxígeno (mgO2) de una especie de cangrejo. Realizar un análisis estadístico completo que permita conocer como es el consumo de oxígeno de los cangrejos en las distintas temperaturas (use análisis exploratorio de datos apropiados).
Los datos consisten en el consumo de oxígeno de 24 cangrejos,
distribuidos en tres grupos de 8 individuos, expuestos a diferentes
temperaturas (baja, media y alta), y subdivididos equitativamente en
machos y hembras para analizar posibles diferencias en la respuesta al
ambiente.
cangrejo$Temperatura <- factor(cangrejo$Temperatura, levels = c("baja", "media", "alta"))
table1(~Consumo| Temperatura, data = cangrejo)| baja (N=8) |
media (N=8) |
alta (N=8) |
Overall (N=24) |
|
|---|---|---|---|---|
| Consumo | ||||
| Mean (SD) | 1.64 (0.192) | 2.39 (0.247) | 3.01 (0.223) | 2.35 (0.612) |
| Median [Min, Max] | 1.65 [1.40, 1.90] | 2.40 [2.00, 2.70] | 3.00 [2.70, 3.40] | 2.40 [1.40, 3.40] |
La tabla muestra que el consumo de oxígeno en los cangrejos varía dependiendo de la temperatura del agua, ya que los cangrejos expuestos a temperaturas altas presentan el mayor consumo promedio de oxígeno (3.01mgO₂), seguidos por aquellos en temperatura media (2.39 mgO₂), mientras que los cangrejos en temperatura baja tienen el menor consumo (1.64 mgO₂). Esto indica que a mayor temperatura, el metabolismo de los cangrejos aumenta, lo que se refleja en una mayor demanda de oxígeno.
En cuanto a la variabilidad, la temperatura media muestra la mayor
dispersión, lo que sugiere que los valores de consumo de oxígeno en este
grupo fluctúan más entre individuos. Por otro lado, la temperatura baja
tiene la menor dispersión, lo que indica que el consumo de oxígeno en
estos cangrejos es más uniforme.
table1(~ Consumo| Sexo, data = cangrejo)| hembra (N=12) |
macho (N=12) |
Overall (N=24) |
|
|---|---|---|---|
| Consumo | |||
| Mean (SD) | 2.36 (0.608) | 2.33 (0.643) | 2.35 (0.612) |
| Median [Min, Max] | 2.50 [1.40, 3.10] | 2.20 [1.40, 3.40] | 2.40 [1.40, 3.40] |
Analizando las diferencias por sexo, la tabla indica que las hembras
tienen un consumo promedio ligeramente mayor (2.36 mgO₂) en comparación
con los machos (2.33 mgO₂). Sin embargo, la desviación estándar es mayor
en los machos, lo que sugiere que su consumo de oxígeno presenta mayor
variabilidad en comparación con las hembras. La mediana general del
consumo de oxígeno es 2.40 mgO₂, con valores extremos que van desde 1.40
mgO₂ hasta 3.40 mgO₂.
table1(~ Consumo | Temperatura * Sexo, data = cangrejo)baja |
media |
alta |
Overall |
|||||
|---|---|---|---|---|---|---|---|---|
| hembra (N=4) |
macho (N=4) |
hembra (N=4) |
macho (N=4) |
hembra (N=4) |
macho (N=4) |
hembra (N=12) |
macho (N=12) |
|
| Consumo | ||||||||
| Mean (SD) | 1.60 (0.183) | 1.68 (0.222) | 2.53 (0.150) | 2.25 (0.265) | 2.95 (0.173) | 3.08 (0.275) | 2.36 (0.608) | 2.33 (0.643) |
| Median [Min, Max] | 1.60 [1.40, 1.80] | 1.70 [1.40, 1.90] | 2.50 [2.40, 2.70] | 2.20 [2.00, 2.60] | 3.00 [2.70, 3.10] | 3.05 [2.80, 3.40] | 2.50 [1.40, 3.10] | 2.20 [1.40, 3.40] |
Esta tercera gráfica muestra la relación entre las tres variables:
sexo, temperatura y consumo de oxígeno,evidenciando nuevamente las
diferencias entre machos y hembras, con los machos presentando mayor
consumo en temperaturas extremas y las hembras destacando en temperatura
media.
g3 = ggplot(cangrejo, aes(x = Temperatura, y = Consumo, color = Sexo, group = Sexo)) +
stat_summary(fun = mean, geom = "line", size = 1.2) + # Línea que conecta los promedios
stat_summary(fun = mean, geom = "point", size = 3) + #
theme_minimal() +
labs(title = "Consumo de oxígeno por temperatura y sexo",
x = "Temperatura", y = "Consumo de oxígeno (mgO₂)") +
scale_color_manual(values = c("#29B6F6", "#0288D1")) # Colores personalizables
ggplotly(g3)Se observa que tanto en machos como en hembras, el consumo de oxígeno disminuye conforme la temperatura baja. En temperaturas medias, las hembras presentan un consumo de oxígeno ligeramente superior al de los machos, lo que podría sugerir una diferencia metabólica entre sexos. En temperaturas bajas y altas, los machos tienen un consumo de oxígeno mayor, lo que indica que en condiciones extremas ambos sexos alcanzan niveles similares de demanda de oxígeno.
Estos resultados confirman que la temperatura es el factor clave en la demanda de oxígeno de los cangrejos, con ligeras diferencias según el sexo. A medida que la temperatura aumenta, los cangrejos requieren más oxígeno para mantener sus funciones metabólicas, ya que su actividad es mayor.