Taller de Diseño de Experimentos — Punto 1 (Suelo/Biomasa), Punto 2 (Moluscos) y Punto 3 (Biodiversidad de anfibios)

Punto 1 – Suelo y producción de biomasa

Planteamiento

Para estudiar la relación entre ciertas características del suelo y la producción de biomasa (g) de una planta forrajera natural se obtuvieron 45 muestras en diferentes ambientes. En cada una se estimó la biomasa (variable respuesta, \(Y\)) y se registraron cuatro características del suelo (covariables, \(X\)): pH, Salinidad, Zinc y Potasio.

a. Análisis exploratorio univariado

table1(~ Biomasa + pH + Salinidad + Zinc + Potasio, data = Salinidad)

	Overall (N=45)
Biomasa
Mean (SD)	1080 (546)
Median [Min, Max]	992 [370, 2340]
pH
Mean (SD)	4.61 (1.25)
Median [Min, Max]	4.45 [3.20, 7.45]
Salinidad
Mean (SD)	30.3 (3.72)
Median [Min, Max]	30.0 [24.0, 38.0]
Zinc
Mean (SD)	17.8 (8.27)
Median [Min, Max]	19.2 [0.211, 31.3]
Potasio
Mean (SD)	797 (298)
Median [Min, Max]	773 [351, 1440]

largo <- pivot_longer(Salinidad, everything(),
                       names_to = "variable", values_to = "valor")

ggplot(largo, aes(x = valor)) +
  geom_histogram(bins = 10, fill = "#2E86AB", color = "white") +
  facet_wrap(~ variable, scales = "free") +
  theme_minimal(base_family = "sans") +
  labs(title = "Distribución de cada variable", x = NULL, y = "Frecuencia") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(largo, aes(y = valor)) +
  geom_boxplot(fill = "#AED6F1", color = "#1a5276") +
  facet_wrap(~ variable, scales = "free") +
  theme_minimal(base_family = "sans") +
  labs(title = "Boxplots por variable", y = NULL) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        axis.text.x = element_blank())

vars <- c("Biomasa", "pH", "Salinidad", "Zinc", "Potasio")

resumen_uni <- data.frame(
  Variable = vars,
  `Shapiro-Wilk (W)` = sapply(Salinidad[vars], function(x) shapiro.test(x)$statistic),
  `Valor p` = sapply(Salinidad[vars], function(x) {
    p <- shapiro.test(x)$p.value
    formatC(p, format = "f", digits = 8)
  }),
  `CV (%)` = sapply(Salinidad[vars], function(x) sd(x) / mean(x) * 100),
  check.names = FALSE
)

tabla_bonita(resumen_uni, caption = "Prueba de normalidad y coeficiente de variación por variable")

Prueba de normalidad y coeficiente de variación por variable
	Variable	Shapiro-Wilk (W)	Valor p	CV (%)
Biomasa.W	Biomasa	0.897	0.00077847	50.481
pH.W	pH	0.882	0.00027797	27.224
Salinidad.W	Salinidad	0.950	0.05074950	12.290
Zinc.W	Zinc	0.930	0.00913530	46.404
Potasio.W	Potasio	0.922	0.00502078	37.319

Biomasa: Media 1082 g y mediana 992 g, con alta variabilidad (CV ≈ 50%). La distribución es asimétrica a la derecha, es decir, la mayoría de las muestras se concentra entre 6c50 y 1350 g, y solo unas pocas que superan 2100 g. El test de Shapiro-Wilk (p = 0.00077847) muestra que no es normal.
pH: El pH en general es ácido (mediana 4.45), con asimetría positiva. Hay un grupo mayoritario con pH ≤ 5.6 y un pequeño grupo con pH ≥ 7.1 que alarga la cola derecha. No es normal (p = 0.00027797).
Salinidad: Es la variable más homogénea (CV ≈ 12%), con media y mediana casi iguales (30.3 y 30). Es la única que se acerca a la normalidad (p = 0.05074), justo en el límite.
Zinc: El zinc tiene asimetría negativa por la presencia de cinco valores muy bajos (0.21 a 0.37), aislados del resto de las observaciones. El boxplot los marca como atípicos. No es normal (p = 0.00913).
Potasio: Media 797 y mediana 773, rango 351–1442, asimetría moderada. Se rechaza normalidad (p = 0.00502).

Solo Salinidad se acerca a una distribución normal, las demás variables muestran asimetría, y hay cinco valores atípicos de pH y Zinc que merecen atención especial, pues corresponden a las mismas cinco observaciones.

b. Análisis exploratorio bivariado

Se evaluó la relación entre la biomasa y las covariables pH, Salinidad y Zinc, tanto de forma gráfica como numérica (correlación y regresión simple).

Salinidad$pH_g  <- cut(Salinidad$pH, breaks = 3, labels = c("Bajo", "Medio", "Alto"))
Salinidad$Sal_g <- cut(Salinidad$Salinidad, breaks = 3, labels = c("Bajo", "Medio", "Alto"))
Salinidad$Zn_g  <- cut(Salinidad$Zinc, breaks = 3, labels = c("Bajo", "Medio", "Alto"))

table1(~ Biomasa | pH_g, data = Salinidad)

	Bajo (N=26)	Medio (N=14)	Alto (N=5)	Overall (N=45)
Biomasa
Mean (SD)	751 (258)	1280 (287)	2260 (74.3)	1080 (546)
Median [Min, Max]	710 [370, 1200]	1330 [765, 1900]	2270 [2160, 2340]	992 [370, 2340]

table1(~ Biomasa | Sal_g, data = Salinidad)

	Bajo (N=16)	Medio (N=19)	Alto (N=10)	Overall (N=45)
Biomasa
Mean (SD)	1090 (421)	1050 (607)	1120 (650)	1080 (546)
Median [Min, Max]	1150 [466, 1900]	896 [370, 2340]	888 [497, 2330]	992 [370, 2340]

table1(~ Biomasa | Zn_g, data = Salinidad)

	Bajo (N=7)	Medio (N=21)	Alto (N=17)	Overall (N=45)
Biomasa
Mean (SD)	1960 (524)	1070 (342)	735 (325)	1080 (546)
Median [Min, Max]	2220 [1190, 2340]	1010 [546, 1900]	612 [370, 1410]	992 [370, 2340]

ggplot(Salinidad, aes(x = pH, y = Biomasa)) +
  geom_point(color = "#2c3e50", alpha = 0.75) +
  geom_smooth(color = "#C0392B", fill = "#f5b7b1") +
  theme_minimal(base_family = "sans") +
  labs(title = "Biomasa vs pH") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(Salinidad, aes(x = Salinidad, y = Biomasa)) +
  geom_point(color = "#2c3e50", alpha = 0.75) +
  geom_smooth(color = "#C0392B", fill = "#f5b7b1") +
  theme_minimal(base_family = "sans") +
  labs(title = "Biomasa vs Salinidad") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(Salinidad, aes(x = Zinc, y = Biomasa)) +
  geom_point(color = "#2c3e50", alpha = 0.75) +
  geom_smooth(color = "#C0392B", fill = "#f5b7b1") +
  theme_minimal(base_family = "sans") +
  labs(title = "Biomasa vs Zinc") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

resumen_bi <- do.call(rbind, lapply(c("pH", "Salinidad", "Zinc"), function(v) {
  ct <- cor.test(Salinidad$Biomasa, Salinidad[[v]])
  mod <- lm(reformulate(v, "Biomasa"), data = Salinidad)
  data.frame(
    Covariable = v,
    r = unname(ct$estimate),
    `Valor p` = ct$p.value,
    `R²` = summary(mod)$r.squared,
    Pendiente = unname(coef(mod)[2]),
    check.names = FALSE
  )
}))

tabla_bonita(resumen_bi, caption = "Correlación de Pearson y regresión simple: Biomasa vs. cada covariable")

Correlación de Pearson y regresión simple: Biomasa vs. cada covariable
Covariable	r	Valor p	R²	Pendiente
pH	0.928	0.000	0.861	404.079
Salinidad	-0.067	0.664	0.004	-9.778
Zinc	-0.781	0.000	0.611	-51.595

pH: La producción de biomasa aumenta si el pH aumenta, es una relación directamente proporcional muy fuerte (r = 0.93) y el pH por sí solo explica el 86% de la variabilidad de la biomasa. Es la covariable con mayor relación.
Zinc: La biomasa disminuye si la concentración de Zinc aumenta, es una relación inversamente proporcional, r = -0.78. Se observa un rango entre 15 y 20 aproximadamente donde la biomasa se mantiene más estable, lo que sugiere una forma no del todo lineal. Es la segunda covariable en importancia.
Salinidad: Se mantiene prácticamente constante frente a la biomasa, no se evidencia posible relación (p = 0.664, R² ≈ 0).

Ranking de relación con la biomasa: pH > Zinc > Salinidad.

pH y Zinc están correlacionados entre sí (r = -0.72). Las cinco observaciones con pH ≥ 7.1 son justamente las de menor Zinc y mayor biomasa, y sostienen buena parte de la relación de Zinc con la biomasa. pH conserva el r más alto.

c. ANOVA de una vía sobre el pH categorizado

Categorización

Como pH presentó la mayor relación con la biomasa, se categorizó en tres niveles usando terciles, lo que garantiza grupos balanceados (15 observaciones cada uno):

q <- quantile(Salinidad$pH, probs = c(1/3, 2/3))
Salinidad$pH_cat <- cut(Salinidad$pH,
                         breaks = c(-Inf, q[1], q[2], Inf),
                         labels = c("Bajo", "Medio", "Alto"))
Salinidad$pH_cat <- as.factor(Salinidad$pH_cat)

tabla_bonita(as.data.frame(table(Salinidad$pH_cat)) |>
               setNames(c("Nivel de pH", "n")),
             caption = "Número de observaciones por nivel de pH", digits = 0)

Número de observaciones por nivel de pH
Nivel de pH	n
Bajo	15
Medio	15
Alto	15

ANOVA de una vía

modelo_sal <- aov(Biomasa ~ pH_cat, data = Salinidad)

tabla_bonita(tidy(modelo_sal), caption = "Tabla ANOVA: Biomasa ~ Nivel de pH")

Tabla ANOVA: Biomasa ~ Nivel de pH
term	df	sumsq	meansq	statistic	p.value
pH_cat	2	7712683	3856341.6	29.893	0
Residuals	42	5418235	129005.6	NA	NA

El nivel de pH genera diferencias significativas en la biomasa (F(2, 42) = 29.89, p < 0.001).

Verificación de supuestos

sh_sal <- shapiro.test(residuals(modelo_sal))
lv_sal <- leveneTest(Biomasa ~ pH_cat, data = Salinidad)

supuestos_sal <- data.frame(
  Supuesto = c("Normalidad de residuales (Shapiro-Wilk)",
               "Homogeneidad de varianzas (Levene)"),
  Estadístico = c(unname(sh_sal$statistic), lv_sal$`F value`[1]),
  `Valor p` = c(sh_sal$p.value, lv_sal$`Pr(>F)`[1]),
  `¿Se cumple?` = c("Sí", "No"),
  check.names = FALSE
)

tabla_bonita(supuestos_sal, caption = "Verificación de supuestos del modelo")

Verificación de supuestos del modelo
Supuesto	Estadístico	Valor p	¿Se cumple?
Normalidad de residuales (Shapiro-Wilk)	0.973	0.375	Sí
Homogeneidad de varianzas (Levene)	8.675	0.001	No

Normalidad de residuales: p = 0.375 → no se rechaza; los residuales son consistentes con una distribución normal. Se cumple.
Homogeneidad de varianzas: p = 0.0007 → se rechaza; las varianzas no son homogéneas entre los tres grupos (la desviación estándar de la biomasa crece de 165 en el nivel Bajo a 548 en el nivel Alto). No se cumple.

Comparaciones post-hoc (LSD)

resultado_sal <- LSD.test(modelo_sal, "pH_cat", console = TRUE)

grupos_lsd <- resultado_sal$groups
grupos_lsd$Nivel <- rownames(grupos_lsd)
grupos_lsd <- grupos_lsd[, c("Nivel", "Biomasa", "groups")]
names(grupos_lsd) <- c("Nivel de pH", "Media Biomasa", "Grupo")

tabla_bonita(grupos_lsd, caption = paste0("Prueba LSD (Fisher). LSD crítico = ",
                                           round(resultado_sal$statistics$LSD, 2)))

Prueba LSD (Fisher). LSD crítico = 264.67
	Nivel de pH	Media Biomasa	Grupo
Alto	Alto	1605.385	a
Medio	Medio	1048.109	b
Bajo	Bajo	593.023	c

Los tres niveles de pH obtuvieron letras distintas (a, b, c), lo que indica que los tres difieren significativamente entre sí. no hay ningún par de niveles con biomasa estadísticamente igual. La biomasa aumenta de forma consistente con el nivel de pH (Alto > Medio > Bajo), y las tres diferencias de medias (1012.4, 557.3 y 455.1) superan la diferencia mínima significativa (LSD = 264.67).

Conclusión Punto 1

La biomasa de la planta forrajera está fuertemente asociada con el pH del suelo y, en menor medida, con la concentración de Zinc, mientras que la Salinidad no muestra relación relevante. Al categorizar el pH en tres niveles, el ANOVA confirmó diferencias significativas en la biomasa entre ellos, con un patrón claro de mayor biomasa a mayor pH.

Punto 2 – Consumo de oxigeno en moluscos

Planteamiento

Se midió el consumo de oxígeno (proporción de O₂ por unidad de peso seco) en dos tipos de moluscos (A y B) sometidos a tres concentraciones de agua de mar (100 %, 75 % y 50 %). El diseño es completamente balanceado: 8 observaciones por cada una de las 6 combinaciones, para un total de 48 unidades experimentales.

tabla_desc <- data.frame(
  VARIABLE = c("cons_o", "molusco", "c_agua"),
  TIPO     = c("Cuantitativa continua", "Cualitativa (factor)", "Cualitativa (factor)"),
  ESCALA   = c("Razón", "Nominal", "Ordinal"),
  `NIVELES / RANGO` = c(
    "1.80 – 18.80",
    "A (24), B (24)",
    "50 % (16), 75 % (16), 100 % (16)"
  ),
  check.names = FALSE)

gt(tabla_desc) %>%
  tab_header(title = md("**Descripción de variables**")) %>%
  cols_align(align = "left") %>%
  tab_style(
    style = cell_fill(color = "#eaf2f8"),
    locations = cells_column_labels()
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#fbfcfd"),
                 cell_text(color = "#1a5276", weight = "bold")),
    locations = cells_body(columns = VARIABLE)
  ) %>%
  tab_options(table.font.size = 13)

VARIABLE	TIPO	ESCALA	NIVELES / RANGO
Descripción de variables
cons_o	Cuantitativa continua	Razón	1.80 – 18.80
molusco	Cualitativa (factor)	Nominal	A (24), B (24)
c_agua	Cualitativa (factor)	Ordinal	50 % (16), 75 % (16), 100 % (16)

a. Análisis exploratorio univariado

Variables cualitativas

Ambos factores están perfectamente balanceados, 24 observaciones por tipo de molusco y 16 por concentración, con 8 réplicas en cada celda. Este balance es deseable porque hace que las sumas de cuadrados de los efectos sean ortogonales (no dependen del orden en que se incluyan en el modelo) y otorga máxima potencia al contraste, además de dar robustez frente a desviaciones moderadas de los supuestos.

Variables cuantitativas

p1 <- ggplot(BD, aes(x = cons_o)) +
  geom_histogram(bins = 10, fill = "#2E86AB", color = "white") +
  geom_vline(xintercept = mean(BD$cons_o),   color = "#C0392B") +
  geom_vline(xintercept = median(BD$cons_o), color = "darkgreen",
             linetype = "dashed") +
  labs(title = "Distribución consumo de oxígeno",
       x = "Consumo de O2", y = "Frecuencia") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

p2 <- ggplot(BD, aes(y = cons_o)) +
  geom_boxplot(fill = "#AED6F1", color = "#1a5276") +
  labs(y = "Consumo de O2") +
  theme_minimal(base_family = "sans") +
  theme(axis.text.x = element_blank(), axis.ticks.x = element_blank())

grid.newpage()
pushViewport(viewport(layout = grid.layout(1, 2,
                                           widths = unit(c(3, 2), "null"))))
print(p1, vp = viewport(layout.pos.row = 1, layout.pos.col = 1))
print(p2, vp = viewport(layout.pos.row = 1, layout.pos.col = 2))

Figura 1. Distribución del consumo de oxígeno para las 48 observaciones, ignorando los factores. La media (línea roja) y la mediana (línea punteada) casi coinciden.

mi_render <- function(x, ...) {
  x <- x[!is.na(x)]
  c(
    "Media (DE)"       = sprintf("%.2f (%.2f)", mean(x), sd(x)),
    "Mediana [Q1, Q3]" = sprintf("%.2f [%.2f, %.2f]",
                                 median(x),
                                 quantile(x, 0.25, names = FALSE),
                                 quantile(x, 0.75, names = FALSE)),
    "Mín, Máx"         = sprintf("%.2f, %.2f", min(x), max(x)),
    "CV (%)"           = sprintf("%.1f", 100 * sd(x) / mean(x))
  )
}

table1(~ cons_o + c_agua + molusco, data = BD)

	Overall (N=48)
Consumo de O2
Mean (SD)	9.30 (3.68)
Median [Min, Max]	9.70 [1.80, 18.8]
Concentración de agua de mar
50%	16 (33.3%)
75%	16 (33.3%)
100%	16 (33.3%)
Tipo de molusco
A	24 (50.0%)
B	24 (50.0%)

table1(~ cons_o, data = BD,
       render.continuous = mi_render,
       render.missing = NULL)

	Overall (N=48)
Consumo de O2	9.30 (3.68)
Mediana [Q1, Q3]	9.70 [6.31, 11.23]
Mín, Máx	1.80, 18.80
CV (%)	39.6

La media (9.30) y la mediana (9.70) son similares, indicando una distribución simétrica con alta variabilidad (CV = 39.6%). Se detecta un atípico (18.80) que se conserva por no ser un valor biológicamente imposible. El diseño está perfectamente balanceado: 24/24 por molusco y 16/16/16 por concentración.

b. Análisis exploratorio bivariado

tabla_conc <- BD %>%
  group_by(Concentración = c_agua) %>%
  summarise(
    N       = n(),
    Media   = mean(cons_o),
    Mediana = median(cons_o),
    D.E.    = sd(cons_o),
    Mín     = min(cons_o),
    Máx     = max(cons_o)
  )

tabla_bonita(tabla_conc, caption = "Resumen del consumo de O2 por concentración de agua de mar")

Resumen del consumo de O2 por concentración de agua de mar
Concentración	N	Media	Mediana	D.E.	Mín	Máx
50%	16	12.251	11.455	3.200	6.38	18.8
75%	16	6.992	6.430	2.804	1.80	13.2
100%	16	8.671	8.595	3.001	3.68	14.0

tabla_molusco <- BD %>%
  group_by(Molusco = molusco) %>%
  summarise(
    N       = n(),
    Media   = mean(cons_o),
    Mediana = median(cons_o),
    D.E.    = sd(cons_o),
    Mín     = min(cons_o),
    Máx     = max(cons_o)
  )

tabla_bonita(tabla_molusco, caption = "Resumen del consumo de O2 por tipo de molusco")

Resumen del consumo de O2 por tipo de molusco
Molusco	N	Media	Mediana	D.E.	Mín	Máx
A	24	10.000	9.74	3.269	5.2	18.8
B	24	8.609	8.06	4.002	1.8	17.7

p3 <- ggplot(BD, aes(x = c_agua, y = cons_o, fill = c_agua)) +
  geom_boxplot(alpha = 0.8) +
  geom_jitter(width = 0.08, size = 1.3, alpha = 0.6) +
  scale_fill_manual(values = c("#AED6F1", "#5DADE2", "#1a5276")) +
  labs(x = "Concentración de agua de mar", y = "Consumo de O2") +
  theme_minimal(base_family = "sans") + theme(legend.position = "none")

p4 <- ggplot(BD, aes(x = molusco, y = cons_o, fill = molusco)) +
  geom_boxplot(alpha = 0.8) +
  geom_jitter(width = 0.08, size = 1.3, alpha = 0.6) +
  scale_fill_manual(values = c("#AED6F1", "#1a5276")) +
  labs(x = "Tipo de molusco", y = "Consumo de O2") +
  theme_minimal(base_family = "sans") + theme(legend.position = "none")

grid.newpage()
pushViewport(viewport(layout = grid.layout(1, 2,
                                           widths = unit(c(3, 2), "null"))))
print(p3, vp = viewport(layout.pos.row = 1, layout.pos.col = 1))
print(p4, vp = viewport(layout.pos.row = 1, layout.pos.col = 2))

Figura 2. Consumo de oxígeno por concentración de agua de mar (izquierda) y por tipo de molusco (derecha). Los puntos son las observaciones individuales.

El consumo no varía de forma lineal con la concentración, es máximo al 50% (12.25), mínimo al 75% (6.99) y repunta al 100% (8.67), posiblemente por estrés osmótico en agua diluida. La diferencia entre moluscos es pequeña (A=10.00, B=8.61). El gráfico de interacción muestra líneas paralelas entre A y B, sugiriendo que ambos responden igual a la salinidad.

Consumo por concentración dentro de cada tipo de molusco

tabla_celdas <- BD %>%
  group_by(Molusco = molusco, Concentración = c_agua) %>%
  summarise(
    N       = n(),
    Media   = mean(cons_o),
    Mediana = median(cons_o),
    D.E.    = sd(cons_o),
    .groups = "drop"
  ) %>%
  mutate(`CV (%)` = 100 * D.E. / Media)

tabla_bonita(tabla_celdas, caption = "Resumen del consumo de O2 por combinación molusco × concentración")

Resumen del consumo de O2 por combinación molusco × concentración
Molusco	Concentración	N	Media	Mediana	D.E.	CV (%)
A	50%	8	12.175	11.110	3.090	25.381
A	75%	8	7.890	7.180	2.740	34.722
A	100%	8	9.936	9.295	2.748	27.656
B	50%	8	12.326	12.850	3.518	28.540
B	75%	8	6.095	5.595	2.739	44.940
B	100%	8	7.406	6.140	2.844	38.401

ggplot(BD, aes(x = c_agua, y = cons_o, fill = molusco)) +
  geom_boxplot(alpha = 0.85) +
  scale_fill_manual(values = c("#AED6F1", "#1a5276")) +
  labs(title = "Consumo de O2 en las seis combinaciones factor × factor",
       x = "Concentración de agua de mar", y = "Consumo de O2",
       fill = "Molusco") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

Figura 3. Consumo de oxígeno en las seis combinaciones factor × factor.

ggplot(BD, aes(x = c_agua, y = cons_o, color = molusco, group = molusco)) +
  stat_summary(fun = mean, geom = "point", size = 2.5) +
  stat_summary(fun = mean, geom = "line", linewidth = 1) +
  stat_summary(fun.data = mean_se, geom = "errorbar", width = 0.1) +
  scale_color_manual(values = c("#C0392B", "#1a5276")) +
  labs(title = "Gráfico de interacción: media de cada celda ± error estándar",
       x = "Concentración de agua de mar", y = "Consumo medio de O2",
       color = "Molusco") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

Figura 4. Gráfico de interacción con la media de cada celda ± error estándar.

El gráfico de interacción muestra dos perfiles con la misma forma, en ambos tipos el consumo alcanza su máximo al 50 %, cae al mínimo al 75 % y repunta ligeramente al 100 %. Las líneas son prácticamente paralelas y no se cruzan, lo cual sugiere ausencia de interacción, el efecto de la salinidad sobre el consumo de oxígeno opera en la misma dirección y con magnitud similar en los dos moluscos.

Los coeficientes de variación dentro de las celdas oscilan entre 25 % y 45 %, sin un patrón de crecimiento asociado a la media, lo cual es un primer indicio favorable para el supuesto de homogeneidad de varianzas.

c. ANOVA de dos vías con interacción

Modelo

Se contrastan tres juegos de hipótesis, efecto principal del tipo de molusco, efecto principal de la concentración y efecto de interacción. El orden correcto de lectura es de abajo hacia arriba: primero la interacción, porque si resultara significativa, los efectos principales no serían interpretables por separado.

modelo_mol <- aov(cons_o ~ molusco * c_agua, data = BD)
anova_raw <- summary(modelo_mol)[[1]]

tabla_anova <- data.frame(
  Fuente = c("Tipo de molusco", "Concentración de agua",
             "Molusco × Concentración", "Error (residual)", "Total"),
  SC = c(anova_raw$`Sum Sq`, sum(anova_raw$`Sum Sq`)),
  GL = c(anova_raw$Df, sum(anova_raw$Df)),
  CM = c(anova_raw$`Mean Sq`, NA),
  F  = c(anova_raw$`F value`[1:3], NA, NA),
  `Valor p` = c(anova_raw$`Pr(>F)`[1:3], NA, NA),
  check.names = FALSE
)

tabla_fmt <- tabla_anova
tabla_fmt$CM <- ifelse(is.na(tabla_fmt$CM), "—", sprintf("%.3f", tabla_fmt$CM))
tabla_fmt$F  <- ifelse(is.na(tabla_fmt$F), "—", sprintf("%.3f", tabla_fmt$F))
tabla_fmt$`Valor p` <- ifelse(is.na(tabla_fmt$`Valor p`), "—",
                              ifelse(tabla_fmt$`Valor p` < 0.0001, "< 0.0001",
                                     sprintf("%.4f", tabla_fmt$`Valor p`)))
tabla_fmt$SC <- sprintf("%.3f", tabla_fmt$SC)

tabla_bonita(tabla_fmt, caption = "Tabla de análisis de varianza (dos vías con interacción)")

Tabla de análisis de varianza (dos vías con interacción)
Fuente	SC	GL	CM	F	Valor p
Tipo de molusco	23.227	1	23.227	2.651	0.1110
Concentración de agua	230.816	2	115.408	13.171	< 0.0001
Molusco × Concentración	15.356	2	7.678	0.876	0.4238
Error (residual)	368.011	42	8.762	—	—
Total	637.410	47	—	—	—

La interacción molusco×concentración no es significativa (p=0.424), por lo que los efectos principales se interpretan por separado. El tipo de molusco tampoco resulta significativo (p=0.111). La concentración sí lo es (p<0.0001), indicando que al menos un nivel difiere de los demás.

Verificación de supuestos

res <- residuals(modelo_mol)

diag <- data.frame(ajustados = fitted(modelo_mol), residuales = res)

ggplot(diag, aes(x = ajustados, y = residuales)) +
  geom_point(color = "#2c3e50", alpha = 0.75) +
  geom_hline(yintercept = 0, color = "#C0392B") +
  labs(title = "Residuales vs. valores ajustados",
       x = "Valores ajustados", y = "Residuales") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(diag, aes(sample = residuales)) +
  stat_qq(color = "#2c3e50", alpha = 0.75) +
  stat_qq_line(color = "#C0392B") +
  labs(title = "Gráfico Q-Q de los residuales",
       x = "Cuantiles teóricos", y = "Cuantiles muestrales") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(diag, aes(x = residuales)) +
  geom_histogram(bins = 10, fill = "#AED6F1", color = "#1a5276") +
  labs(title = "Histograma de residuales", x = "Residual", y = "Frecuencia") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

Figura 5. Diagnóstico del modelo: residuales frente a valores ajustados, gráfico cuantil-cuantil e histograma de residuales.

sh_mol <- shapiro.test(res)
bt_mol <- bartlett.test(cons_o ~ interaction(molusco, c_agua), data = BD)

tabla_supuestos_mol <- data.frame(
  Supuesto = c("Normalidad de residuales", "Homogeneidad de varianzas"),
  Prueba = c("Shapiro–Wilk", "Bartlett"),
  Estadístico = c(sprintf("W = %.3f", sh_mol$statistic),
                  sprintf("χ² = %.3f", bt_mol$statistic)),
  `Valor p` = c(sprintf("%.4f", sh_mol$p.value), sprintf("%.4f", bt_mol$p.value)),
  `Decisión (α = 0.05)` = ifelse(c(sh_mol$p.value, bt_mol$p.value) > 0.05,
                                 "No se rechaza H₀", "Se rechaza H₀"),
  check.names = FALSE
)

tabla_bonita(tabla_supuestos_mol, caption = "Verificación de supuestos del modelo (dos vías)")

Verificación de supuestos del modelo (dos vías)
Supuesto	Prueba	Estadístico	Valor p	Decisión (α = 0.05)
Normalidad de residuales	Shapiro–Wilk	W = 0.958	0.0857	No se rechaza H₀
Homogeneidad de varianzas	Bartlett	χ² = 0.712	0.9823	No se rechaza H₀

Ambos supuestos se cumplen: normalidad de residuales (Shapiro-Wilk, p=0.086) y homogeneidad de varianzas (Bartlett, p=0.982), ambos con p>0.05.

Interpretación de los efectos

1. Interacción molusco × concentración (F_2,42 = 0.876; p = 0.4238). No significativa. No hay evidencia de que el efecto de la concentración de agua de mar dependa del tipo de molusco. Esto valida cuantitativamente lo observado en la Figura 3, los perfiles de respuesta son paralelos. En consecuencia, los efectos principales sí pueden interpretarse de forma independiente y el modelo puede leerse como aditivo.

2. Tipo de molusco (F_1,42 = 2.651; p = 0.1110). No significativo. Aunque el molusco A consumió en promedio 1.39 unidades más de oxígeno que el B, esa diferencia no supera lo que cabría esperar por azar dada la variabilidad dentro de los grupos. No hay evidencia de que los dos tipos de moluscos difieran en su consumo de oxígeno. Al no ser significativo, no procede realizar comparaciones post-hoc para este factor (y además, con solo dos niveles, la prueba F ya es en sí misma la comparación entre ambos).

3. Concentración de agua de mar (F_2,42 = 13.171; p < 0.0001). Altamente significativo. Existe evidencia muy fuerte de que al menos una de las tres concentraciones produce un consumo de oxígeno medio distinto de las demás. Este factor por sí solo explica el 36.2 % de la variabilidad total (230.8 de 637.4). Como la prueba F es global y no indica cuáles niveles difieren, se procede con las comparaciones múltiples.

Comparaciones post-hoc: prueba LSD de Fisher

La diferencia mínima significativa se calcula con el cuadrado medio del error del modelo completo y sus 42 grados de libertad, sobre las medias marginales de concentración (n = 16 por nivel):

CME <- summary(modelo_mol)[[1]]["Residuals", "Mean Sq"]
gl  <- df.residual(modelo_mol)
n_por_nivel <- 16
LSD <- qt(0.975, gl) * sqrt(2 * CME / n_por_nivel)

medias <- tapply(BD$cons_o, BD$c_agua, mean)
se <- sqrt(2 * CME / n_por_nivel)

pares <- combn(names(medias), 2, function(par) {
  dif <- medias[par[1]] - medias[par[2]]
  t   <- dif / se
  p   <- 2 * (1 - pt(abs(t), gl))
  data.frame(
    Comparación = paste(par[1], "−", par[2]),
    `Diferencia de medias` = round(dif, 3),
    `Dif vs. LSD` = paste0(round(abs(dif), 3),
                             ifelse(abs(dif) > LSD, " > ", " < "), round(LSD, 3)),
    `IC 95%` = sprintf("(%.3f ; %.3f)", dif - LSD, dif + LSD),
    `Valor p` = ifelse(p < 0.0001, "< 0.0001", sprintf("%.4f", p)),
    Conclusión = ifelse(abs(dif) > LSD, "Difieren", "No difieren"),
    check.names = FALSE
  )
}, simplify = FALSE)

tabla_comparaciones <- do.call(rbind, pares)

tabla_bonita(tabla_comparaciones, caption = "Comparaciones pareadas (LSD) entre concentraciones de agua de mar")

Comparaciones pareadas (LSD) entre concentraciones de agua de mar
	Comparación	Diferencia de medias	Dif vs. LSD	IC 95%	Valor p	Conclusión
50%	50% − 75%	5.258	5.258 > 2.112	(3.146 ; 7.370)	< 0.0001	Difieren
50%1	50% − 100%	3.579	3.579 > 2.112	(1.467 ; 5.691)	0.0014	Difieren
75%	75% − 100%	-1.679	1.679 < 2.112	(-3.791 ; 0.433)	0.1162	No difieren

lsd_conc <- LSD.test(modelo_mol, "c_agua", console = FALSE)

tabla_grupos_mol <- data.frame(
  Concentración = rownames(lsd_conc$groups),
  Media = round(lsd_conc$groups$cons_o, 3),
  `Error estándar` = round(se, 3),
  `Grupo LSD` = lsd_conc$groups$groups,
  check.names = FALSE
)

tabla_bonita(tabla_grupos_mol, caption = "Grupos LSD por concentración de agua de mar")

Grupos LSD por concentración de agua de mar
Concentración	Media	Error estándar	Grupo LSD
50%	12.251	1.047	a
100%	8.671	1.047	b
75%	6.992	1.047	b

El 50% forma un grupo propio, con consumo significativamente mayor que el 75% (p<0.0001) y el 100% (p=0.0014). El 75% y el 100% no difieren entre sí (p=0.116).

Conclusión Punto 2

La concentración de agua de mar afecta significativamente el consumo de oxígeno (p < 0.0001), mientras que el tipo de molusco no lo hace (p = 0.111) y no existe interacción entre ambos factores (p = 0.424).

El consumo es marcadamente superior en agua diluida al 50 % (media 12.25) frente al 75 % (6.99) y al 100 % (8.67), que entre sí no se diferencian. El efecto no es lineal ni monótono: el mínimo se da en la concentración intermedia.

Al no haber interacción, este comportamiento es el mismo para los dos tipos de moluscos, de modo que las conclusiones sobre el efecto de la salinidad pueden generalizarse a ambos sin distinción.

Punto 3 – Biodiversidad de anfibios

Planteamiento

Con el fin de evaluar el efecto del uso del suelo sobre la biodiversidad de anfibios en una reserva forestal, se establecieron parcelas de muestreo en cuatro tipos de hábitat que representan un gradiente de intervención antrópica: bosque primario, bosque secundario, sistema silvopastoril y potrero. En cada una de las 52 parcelas (13 por hábitat) se registró la riqueza de especies (número de especies observadas), el índice de diversidad de Shannon–Wiener y la altitud (m.s.n.m.) del sitio de muestreo.

a. Análisis exploratorio univariado

Tabla de medidas descriptivas

table1(~ Riqueza + Shannon + Altitud, data = BD_biodiversidad)

	Overall (N=52)
Riqueza
Mean (SD)	9.73 (4.37)
Median [Min, Max]	9.50 [2.00, 21.0]
Shannon
Mean (SD)	1.76 (0.607)
Median [Min, Max]	1.85 [0.670, 2.98]
Altitud
Mean (SD)	1240 (173)
Median [Min, Max]	1250 [951, 1600]

Histogramas de distribución para cada característica

ggplot(BD_biodiversidad, aes(x = Riqueza)) +
  geom_histogram(aes(y = after_stat(density)),
                 bins = 10, fill = "#2E86AB", color = "white") +
  geom_density(color = "#1a5276", linewidth = 1) +
  labs(title = "Distribución de Riqueza",
       x = "Número de especies", y = "Densidad") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(BD_biodiversidad, aes(x = Shannon)) +
  geom_histogram(aes(y = after_stat(density)),
                 bins = 10, fill = "#2E86AB", color = "white") +
  geom_density(color = "#1a5276", linewidth = 1) +
  labs(title = "Distribución de Shannon",
       x = "Índice de Shannon", y = "Densidad") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

ggplot(BD_biodiversidad, aes(x = Altitud)) +
  geom_histogram(aes(y = after_stat(density)),
                 bins = 10, fill = "#2E86AB", color = "white") +
  geom_density(color = "#1a5276", linewidth = 1) +
  labs(title = "Distribución de Altitud",
       x = "Altitud (m s. n. m.)", y = "Densidad") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"))

Diagrama de cajas

largo_bio <- pivot_longer(BD_biodiversidad,
                           cols = c(Riqueza, Shannon, Altitud),
                           names_to = "Variable", values_to = "Valor")

ggplot(largo_bio, aes(x = "", y = Valor)) +
  geom_boxplot(fill = "#AED6F1", color = "#1a5276",
               outlier.color = "#C0392B", outlier.shape = 1, outlier.size = 2) +
  facet_wrap(~ Variable, scales = "free") +
  labs(title = "Boxplot de las variables", x = NULL, y = "Valor") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        strip.text = element_text(face = "bold", size = 12),
        axis.text.x = element_blank())

Riqueza: promedio de 9.73 especies por parcela, con una desviación estándar de 4.37. La mediana fue de 9.5 y el rango va de 2 a 21 especies. La desviación estándar alta indica que la riqueza varía mucho entre parcelas, no todas tienen una cantidad similar de especies. El histograma refuerza esta idea al mostrar una distribución bimodal, con un pico cerca de 6 especies y otro cerca de 14, lo que sugiere que las parcelas se agrupan en dos tipos según sus condiciones. El boxplot no muestra valores atípicos, es decir, todas las parcelas están dentro del rango esperado.
Shannon: presentó un promedio de 1.76, con una desviación estándar de 0.61. La mediana fue de 1.85 y el rango va de 0.67 a 2.98. La cercanía entre media y mediana sugiere una distribución aproximadamente simétrica. El histograma muestra forma de campana, con la mayoría de parcelas concentradas entre 1.5 y 2.5, sin la bimodalidad observada en riqueza. El boxplot no muestra atípicos y la caja es compacta, lo que confirma una dispersión moderada.
Altitud: tiene un promedio de 1240 m.s.n.m., con una desviación estándar de 173. La mediana fue de 1250 y el rango va de 951 a 1600 m. El histograma presenta dos picos, uno alrededor de 1050 m y otro alrededor de 1350 m, lo que indica que las parcelas no están concentradas en un solo rango altitudinal. El boxplot no muestra valores atípicos y la dispersión relativa es baja comparada con las otras variables.

b. Análisis exploratorio bivariado

Tabla comparativa en los diferentes tipos de hábitat

table1(~ Shannon + Riqueza + Altitud | Habitat, data = BD_biodiversidad)

	Bosque primario (N=13)	Bosque secundario (N=13)	Potrero (N=13)	Sistema silvopastoril (N=13)	Overall (N=52)
Shannon
Mean (SD)	2.47 (0.377)	1.97 (0.220)	1.00 (0.240)	1.60 (0.281)	1.76 (0.607)
Median [Min, Max]	2.53 [1.73, 2.98]	2.03 [1.44, 2.27]	0.980 [0.670, 1.34]	1.62 [1.14, 2.06]	1.85 [0.670, 2.98]
Riqueza
Mean (SD)	14.8 (2.74)	11.1 (3.01)	5.00 (1.29)	8.08 (2.50)	9.73 (4.37)
Median [Min, Max]	14.0 [10.0, 21.0]	12.0 [3.00, 15.0]	5.00 [2.00, 7.00]	7.00 [5.00, 13.0]	9.50 [2.00, 21.0]
Altitud
Mean (SD)	1450 (77.5)	1330 (40.6)	1040 (50.3)	1150 (97.9)	1240 (173)
Median [Min, Max]	1480 [1320, 1600]	1320 [1250, 1380]	1040 [951, 1120]	1140 [1030, 1390]	1250 [951, 1600]

La tabla muestra un gradiente claro en la diversidad de anfibios: tanto la riqueza como el índice de Shannon disminuyen conforme aumenta la intervención humana. El bosque primario presenta los valores más altos (≈14.8 especies y Shannon ≈2.47), mientras que el potrero tiene los más bajos (≈5.0 especies y Shannon ≈1.0). El bosque secundario y el sistema silvopastoril ocupan posiciones intermedias. Este patrón sugiere que la diversidad de anfibios está fuertemente asociada al tipo de hábitat, y que la pérdida de área boscosa reduce la cantidad y uniformidad de especies.

largo2_bio <- pivot_longer(BD_biodiversidad,
                            cols = c(Riqueza, Shannon),
                            names_to = "Variable", values_to = "Valor")

paleta_habitat <- c(
  "Bosque primario"       = "#1a5276",
  "Bosque secundario"     = "#2E86AB",
  "Sistema silvopastoril" = "#F9A825",
  "Potrero"               = "#A1662F"
)

abrev_habitat <- c(
  "Bosque primario"       = "BP",
  "Bosque secundario"     = "BS",
  "Sistema silvopastoril" = "S",
  "Potrero"               = "P"
)

ggplot(largo2_bio, aes(x = Habitat, y = Valor, fill = Habitat)) +
  geom_boxplot(alpha = 0.85, color = "black") +
  facet_wrap(~ Variable, scales = "free_y") +
  scale_fill_manual(values = paleta_habitat, labels = abrev_habitat) +
  scale_x_discrete(labels = abrev_habitat) +
  labs(title = "Riqueza y Shannon por tipo de hábitat",
       x = NULL, y = "Valor", fill = "Hábitat") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        strip.text = element_text(face = "bold", size = 12),
        legend.position = "bottom")

El boxplot compara la riqueza y la diversidad de Shannon entre los cuatro tipos de hábitat, y confirma el gradiente: ambas variables disminuyen conforme aumenta la intervención humana.

Riqueza: el bosque primario (BP) presenta la mediana más alta, seguido del bosque secundario (BS), el sistema silvopastoril (S) y el potrero (P). Las cajas de BP y BS se ubican claramente por encima de las de S y P, sin traslape entre sí, lo que sugiere diferencias consistentes entre hábitats.
Shannon: el patrón es similar: BP tiene la mediana más alta, seguido de BS, S y P. Las cajas tampoco se traslapan, lo que refuerza que la diversidad cambia a lo largo del gradiente de intervención.

Se observan algunos valores atípicos, pero reflejan variabilidad natural dentro de los hábitats y no necesariamente errores de muestreo.

ggplot(BD_biodiversidad, aes(x = Altitud, y = Shannon, color = Habitat)) +
  geom_point(size = 2.5) +
  geom_smooth(method = "lm", se = FALSE, color = "#1a5276") +
  scale_color_manual(values = paleta_habitat, labels = abrev_habitat) +
  labs(title = "Altitud vs. diversidad de Shannon",
       x = "Altitud (m s. n. m.)", y = "Índice de Shannon", color = "Hábitat") +
  theme_minimal(base_family = "sans") +
  theme(plot.title = element_text(hjust = 0.5, face = "bold"),
        legend.position = "bottom")

El gráfico de dispersión muestra una relación positiva entre altitud y Shannon: a mayor altitud, mayor diversidad. Sin embargo, al colorear los puntos por hábitat, se observa que los colores se agrupan por zonas: el bosque primario está arriba y a la derecha, y el potrero está abajo y a la izquierda. Esto sugiere que la relación global no es necesariamente causal, la altitud no causa por sí sola más diversidad, sino que los hábitats más conservados están ubicados a mayor altitud. Es decir, la altitud está confundida con el hábitat.

cor_pearson_bio  <- cor.test(BD_biodiversidad$Altitud, BD_biodiversidad$Shannon)
cor_spearman_bio <- cor.test(BD_biodiversidad$Altitud, BD_biodiversidad$Shannon,
                              method = "spearman", exact = FALSE)

tabla_cor_global <- data.frame(
  Prueba = c("Pearson", "Spearman"),
  r = c(round(cor_pearson_bio$estimate, 3), round(cor_spearman_bio$estimate, 3)),
  `Valor p` = c(format(cor_pearson_bio$p.value, scientific = TRUE, digits = 3),
                format(cor_spearman_bio$p.value, scientific = TRUE, digits = 3)),
  check.names = FALSE
)

tabla_bonita(tabla_cor_global, caption = "Correlación global Altitud - Shannon")

Correlación global Altitud - Shannon
	Prueba	r	Valor p
cor	Pearson	0.752	1.29e-10
rho	Spearman	0.750	1.56e-10

tabla_cor_habitat <- BD_biodiversidad %>%
  group_by(Habitat) %>%
  summarise(r = cor(Altitud, Shannon),
            `Valor p` = cor.test(Altitud, Shannon)$p.value)

tabla_bonita(tabla_cor_habitat, caption = "Correlación altitud-Shannon dentro de cada hábitat")

Correlación altitud-Shannon dentro de cada hábitat
Habitat	r	Valor p
Bosque primario	-0.328	0.274
Bosque secundario	-0.005	0.986
Potrero	0.034	0.912
Sistema silvopastoril	-0.513	0.073

Existe una correlación global positiva y significativa entre altitud y Shannon (r ≈ 0.75; p < 0.001). La altitud explica aproximadamente el 56% de la variación en la diversidad, y Spearman confirma el resultado, lo que indica que la relación no depende de valores extremos.

Sin embargo, al calcular la correlación dentro de cada hábitat, la relación altitud-Shannon desaparece: los valores de r son bajos o negativos y ninguno es significativo (todos p > 0.05). Esto confirma que la correlación global era un efecto del hábitat, no de la altitud.

En conclusión, no es que la altitud aumente la diversidad, sino que los hábitats más conservados están ubicados a mayor altitud y, al mismo tiempo, tienen mayor diversidad.

c. ANOVA de una vía y LSD

modelo_bio <- aov(Shannon ~ Habitat, data = BD_biodiversidad)
anova_res_bio <- summary(modelo_bio)[[1]]

tabla_anova_bio <- data.frame(
  Fuente  = rownames(anova_res_bio),
  GL      = anova_res_bio$Df,
  SC      = round(anova_res_bio$`Sum Sq`, 3),
  CM      = round(anova_res_bio$`Mean Sq`, 3),
  F       = round(anova_res_bio$`F value`, 2),
  `Valor p` = format(anova_res_bio$`Pr(>F)`, scientific = TRUE, digits = 3),
  check.names = FALSE
)

tabla_bonita(tabla_anova_bio, caption = "Tabla de análisis de varianza (Shannon ~ Hábitat)")

Tabla de análisis de varianza (Shannon ~ Hábitat)
Fuente	GL	SC	CM	F	Valor p
Habitat	3	14.862	4.954	60.61	2.38e-16
Residuals	48	3.923	0.082	NA	NA

Se evaluó si el índice de Shannon difiere entre los cuatro hábitats. El modelo resultó altamente significativo: F(3, 48) = 60.61; p = 2.38 × 10⁻¹⁶. Se rechaza la hipótesis nula de igualdad de medias, lo que indica que al menos un hábitat difiere de los demás.

res_bio <- residuals(modelo_bio)

shap_bio <- shapiro.test(res_bio)
lev_bio  <- leveneTest(Shannon ~ Habitat, data = BD_biodiversidad)

tabla_supuestos_bio <- data.frame(
  Supuesto = c("Normalidad de residuales (Shapiro-Wilk)",
               "Homogeneidad de varianzas (Levene)"),
  Estadístico = c(round(shap_bio$statistic, 4), round(lev_bio$`F value`[1], 3)),
  `Valor p` = c(format(shap_bio$p.value, digits = 3),
                format(lev_bio$`Pr(>F)`[1], digits = 3)),
  `¿Se cumple?` = c("Sí", "Sí"),
  check.names = FALSE
)

tabla_bonita(tabla_supuestos_bio, caption = "Verificación de supuestos del modelo")

Verificación de supuestos del modelo
	Supuesto	Estadístico	Valor p	¿Se cumple?
W	Normalidad de residuales (Shapiro-Wilk)	0.979	0.463	Sí
	Homogeneidad de varianzas (Levene)	1.277	0.293	Sí

Los residuales son compatibles con una distribución normal (Shapiro-Wilk: W = 0.978; p = 0.463), y las varianzas son homogéneas entre hábitats (Levene: F = 1.277; p = 0.293). Ambos supuestos se cumplen.

lsd_bio <- LSD.test(modelo_bio, "Habitat", p.adj = "none", console = FALSE)

medias_bio <- lsd_bio$means
letras_bio <- lsd_bio$groups
orden_bio  <- order(-medias_bio$Shannon)
medias_bio <- medias_bio[orden_bio, ]
letras_bio <- letras_bio[orden_bio, ]

tabla_lsd_bio <- data.frame(
  Hábitat = rownames(medias_bio),
  `Media de Shannon` = round(medias_bio$Shannon, 2),
  DE = round(medias_bio$std, 2),
  Grupo = letras_bio$groups,
  check.names = FALSE
)

tabla_bonita(tabla_lsd_bio, caption = "Prueba LSD (Fisher) por tipo de hábitat")

Prueba LSD (Fisher) por tipo de hábitat
Hábitat	Media de Shannon	DE	Grupo
Bosque primario	2.47	0.38	a
Bosque secundario	1.97	0.22	b
Sistema silvopastoril	1.60	0.28	d
Potrero	1.00	0.24	c

Los cuatro hábitats difieren significativamente entre sí (letras distintas): bosque primario (2.47, a) > bosque secundario (1.97, b) > sistema silvopastoril (1.60, c) > potrero (1.00, d). La diferencia mínima significativa fue de 0.225, y todas las diferencias entre pares la superan.

Síntesis

La diversidad de anfibios disminuye de manera escalonada al aumentar la intervención humana. Aunque la altitud se correlaciona con la diversidad a nivel global, esta relación desaparece dentro de cada hábitat, lo que indica que el verdadero factor explicativo es el tipo de hábitat y no la altitud en sí misma.

Conclusión Punto 3

La diversidad de anfibios disminuye de manera escalonada al aumentar la intervención humana. El bosque primario conserva la mayor diversidad, mientras que el potrero presenta la menor. El bosque secundario y el sistema silvopastoril representan estados intermedios, lo que sugiere que la regeneración forestal y los sistemas con cobertura arbórea amortiguan parcialmente la pérdida de diversidad, pero no sustituyen al bosque primario como refugio de anfibios.

Taller de Diseño de Experimentos

Punto 1: Suelo y biomasa · Punto 2: Consumo de oxígeno en moluscos · Punto 3: Biodiversidad de anfibios

Madeleine Montoya, Nathaly Montero & Mariana A. Lozano

2026-09-21

Punto 1 – Suelo y producción de biomasa

Planteamiento

a. Análisis exploratorio univariado

b. Análisis exploratorio bivariado

c. ANOVA de una vía sobre el pH categorizado

Categorización

ANOVA de una vía

Verificación de supuestos

Comparaciones post-hoc (LSD)

Conclusión Punto 1

Punto 2 – Consumo de oxigeno en moluscos

Planteamiento

a. Análisis exploratorio univariado

Variables cualitativas

Variables cuantitativas

b. Análisis exploratorio bivariado

Consumo por concentración dentro de cada tipo de molusco

c. ANOVA de dos vías con interacción

Modelo

Verificación de supuestos

Interpretación de los efectos

Comparaciones post-hoc: prueba LSD de Fisher

Conclusión Punto 2

Punto 3 – Biodiversidad de anfibios

Planteamiento

a. Análisis exploratorio univariado

Tabla de medidas descriptivas

Histogramas de distribución para cada característica

Diagrama de cajas

b. Análisis exploratorio bivariado

Tabla comparativa en los diferentes tipos de hábitat

c. ANOVA de una vía y LSD

Conclusión Punto 3