Resumen

Contexto y objetivo. Las hojas son los principales órganos captadores de luz y su tamaño condiciona la luz que el árbol puede interceptar. Evaluamos si el área foliar de Bauhinia picta difiere entre árboles a pleno sol y a la sombra en el Bosque Urbano Multicentro (Cali, Valle del Cauca; 987 m s. n. m.), contrastando dos hipótesis opuestas planteadas por los dos autores: H1, el área foliar promedio por árbol es mayor a pleno sol; H2, es mayor en la sombra.

Diseño. Se registraron 60 hojas en 6 árboles (3 de sol y 3 de sombra); el área de cada hoja se obtuvo de su fotografía escalada con un marco rectangular de lados conocidos. Como la exposición es una propiedad del árbol y no de la hoja, la unidad de análisis fue el árbol. Las 60 hojas tienen área medida.

Resultados. Con el árbol como unidad de análisis (3 de sol y 3 de sombra), la razón de áreas sombra/sol fue 1,19 (IC 95 %: 0,61–2,33; p = 0,448). El 68 % de la variación del tamaño de las hojas se debió a diferencias entre árboles (CCI = 0,68; IC 95 %: 0,41–0,93). Un análisis independiente basado en el área del marco de cada hoja dio razón 1,24, IC 95 % 0,67–2,27.

Conclusión. La dirección es la de H2 (hojas algo mayores en sombra), pero el intervalo de confianza incluye la ausencia de efecto: no hay evidencia suficiente ni a favor de H1 ni a favor de H2. Con tan pocos árboles, el diseño tiene una potencia limitada: los resultados son estimaciones preliminares y generadoras de hipótesis, no una confirmación.

Árboles

3 sol · 3 sombra

Hojas registradas

60 con área medida

1,19

Razón sombra/sol

IC 95 %: [0,61; 2,33]

68 %

Variación entre árboles

CCI (tamaño de la hoja)

Introducción

Bauhinia picta, conocida comúnmente como pata de vaca, es una especie de la familia Fabaceae cultivada en Colombia, México, Panamá, Venezuela y Ecuador. Presenta hojas simples, con lóbulos ovados y acuminados o algo caudados en el ápice, y es semicaducifolia, es decir, pierde parcialmente su follaje durante la época seca. Se utiliza como planta ornamental, como barrera rompevientos y en procesos de restauración ecológica, y su rango altitudinal va desde 0 hasta 2000 m s. n. m.¹

Las hojas son los principales órganos captadores de luz solar y el sitio donde ocurre la mayor parte de la fotosíntesis. El tamaño y la forma de una hoja determinan la cantidad de luz que la planta puede interceptar, por lo que el área foliar es un rasgo útil para evaluar cómo responde un árbol a su ambiente lumínico.^2,3

En este estudio se buscó responder cómo cambia el área foliar de B. picta según la exposición a la luz (sol o sombra). El trabajo se realizó en el Bosque Urbano Multicentro, ubicado en el área forestal protectora del río Meléndez, comuna 22, Cali, Valle del Cauca, a 987 m s. n. m., donde se comparó el área foliar de árboles expuestos a pleno sol con la de árboles en sombra.

Hipótesis. Cada uno de los dos autores planteó una hipótesis distinta sobre cómo cambia el área foliar promedio por árbol con la luz (H0: no hay diferencia, razón de áreas sombra/sol = 1).

H1: mayor área a pleno sol (razón sombra/sol < 1). Uno de los autores propone que el área de la hoja aumenta con una mayor exposición al sol: más radiación aporta más energía para la fotosíntesis y podría favorecer una superficie foliar mayor, en línea con el patrón global en que las hojas grandes predominan en ambientes cálidos, húmedos y soleados.⁴
H2: mayor área en la sombra (razón sombra/sol > 1). El otro autor propone lo contrario: que el área de la hoja aumenta en la sombra, porque con poca luz las plantas suelen desplegar rasgos que favorecen la captura de luz, como láminas más extensas.^5,6

Una hoja más grande no siempre significa mayor producción. Con exceso de calor o poca disponibilidad de agua la planta puede reducir su actividad fotosintética, y una lámina mayor engrosa la capa límite de aire y dificulta disipar calor.^7,8 Por eso el sentido del efecto no es evidente de antemano y este estudio pone a prueba ambas hipótesis. Además, el verdadero aprovechamiento de la luz depende de cómo se organiza todo el follaje y de las condiciones ambientales que rodean al árbol.

Objetivos.

Estimar la razón de áreas sombra/sol con el árbol como unidad experimental y valorar cuál de las dos hipótesis (H1 o H2) respalda mejor.
Repartir la variación entre árboles y entre hojas.
Comprobar la robustez de la conclusión frente a la prueba empleada, la influencia de árboles individuales y los valores atípicos.
Cuantificar qué diferencia podría detectar este diseño.

1 Diseño muestral y datos

1.1 Diseño jerárquico y flujo de medición

La base contiene 60 hojas de 6 árboles de Bauhinia picta (3 de sol y 3 de sombra), con 10–10 hojas por árbol. La exposición se asignó al árbol y las hojas son submuestras (Fig. 1); por eso el árbol es la unidad de análisis. La Tabla 1 resume los árboles de cada exposición.

caja <- function(x, y, w, h, lab, fill = "white", col = "grey25", face = "plain", size = 3.2)
  list(annotate("rect", xmin = x - w/2, xmax = x + w/2, ymin = y - h/2, ymax = y + h/2, fill = fill, colour = col, linewidth = .5),
       annotate("text", x = x, y = y, label = lab, size = size, fontface = face, lineheight = .95))
flecha <- function(x, y, xe, ye) annotate("segment", x = x, xend = xe, y = y, yend = ye, colour = "grey35", linewidth = .5, arrow = arrow(length = unit(2.2, "mm"), type = "closed"))
capa <- list()
cs <- comp[comp$exposicion == "sol", ]; cb <- comp[comp$exposicion == "sombra", ]
pos_arbol <- function(k) if (k == 0) numeric(0) else seq(50, 50 + 6.5 * (k - 1), length.out = k)
alt_txt <- if (length(R$altitud)) paste0(fx(R$altitud[1], 0), " m s. n. m.") else ""
capa <- c(capa, caja(11, 30, 20, 17, paste0("Bosque Urbano\nMulticentro, Cali\n", alt_txt), fill = "#f1f3f4", face = "bold"))
capa <- c(capa, caja(33, 44, 17, 10, paste0("A pleno sol\n(", nrow(cs), " árboles)"), fill = adjustcolor(COL["sol"], .25)),
                 caja(33, 16, 17, 10, paste0("A la sombra\n(", nrow(cb), " árboles)"), fill = adjustcolor(COL["sombra"], .22)))
capa <- c(capa, list(flecha(21, 33, 24.4, 41), flecha(21, 27, 24.4, 19)))
for (ex in list(list(d = cs, y = 44, c = COL["sol"]), list(d = cb, y = 16, c = COL["sombra"]))) {
  if (nrow(ex$d) == 0) next
  xs <- pos_arbol(nrow(ex$d))
  capa <- c(capa, list(flecha(41.8, ex$y, min(xs) - 3.3, ex$y),
    annotate("point", x = xs, y = ex$y, shape = 21, size = 11, fill = ifelse(ex$d$n_medida == 0, "white", ex$c), colour = "grey15", stroke = .7),
    annotate("text", x = xs, y = ex$y, label = ex$d$arbol, size = 3.1, fontface = "bold"),
    annotate("text", x = xs, y = ex$y - 6.4, label = paste0(ex$d$n_medida, "/", ex$d$n_total), size = 2.7, colour = "grey30")))
}
capa <- c(capa, caja(89, 30, 20, 22, "Hojas por árbol\n(unidad de muestreo)\n\ncontorno → marco → foto\n→ área (cm²)", fill = "#f1f3f4"))
capa <- c(capa, list(flecha(77.5, 40, 78.8, 34.5), flecha(77.5, 20, 78.8, 25.5)))
cab <- data.frame(x = c(11, 33, 59, 89), l = c("SITIO", "FACTOR (fijo)", "UNIDAD EXPERIMENTAL: el árbol", "SUBMUESTRA"))
ggplot() + capa + geom_text(data = cab, aes(x, 57, label = l), size = 3, fontface = "bold", colour = "grey20") +
  coord_cartesian(xlim = c(0, 100), ylim = c(4, 60), clip = "off") + theme_void()

Fig. 1 | Diseño jerárquico del estudio y flujo de medición. El factor fijo (exposición) se asigna a árboles, que son la unidad experimental; las hojas son submuestras. Círculos: árboles, con el número de hojas con área medida sobre el total. Las áreas se obtienen de la fotografía de cada hoja: un marco rectangular dibujado con regla alrededor de su contorno fija la escala para convertir píxeles a cm² con un script en R. Un círculo vacío indica que el árbol aún no tiene ninguna área medida.

car_df <- merge(geo[, c("arbol", "exposicion", "x_m", "y_m")], comp[, c("arbol", "n_total", "n_medida")], by = "arbol")
car_df <- merge(car_df, desc_all[, c("arbol", "media", "cv")], by = "arbol", all.x = TRUE)
car_df <- merge(car_df, aggregate(cbind(marco_cm2, aspecto) ~ arbol, data = datos, FUN = mean), by = "arbol", all.x = TRUE)
car_df$dist <- sqrt(car_df$x_m^2 + car_df$y_m^2)
car_df$expo <- factor(as.character(car_df$exposicion), levels = c("sol", "sombra"), labels = c("A pleno sol", "A la sombra"))
cat(tcap("car", "Características de los árboles según su exposición lumínica",
         "Cada fila resume los árboles de la columna (<i>N</i> = número de árboles); datos como media (DE) y mediana [mín.–máx.]. DE, desviación estándar; CV, coeficiente de variación dentro del árbol; el marco es el rectángulo dibujado alrededor de cada hoja (lado 1 × lado 2); la distancia se mide al centroide de los árboles. Los árboles sin áreas medidas no contribuyen a las filas de área."))

Tabla 1. Características de los árboles según su exposición lumínica

ok_t1 <- FALSE
if (HAS_T1) {
  rc_stats <- function(x, ...) {
    x <- x[is.finite(x)]; n <- length(x)
    if (n == 0) return(c("", "n/d" = ""))
    c("", "Media (DE)" = paste0(fx(mean(x), 1), " (", if (n > 1) fx(sd(x), 1) else "n/d", ")"),
      "Mediana [mín.–máx.]" = paste0(fx(median(x), 1), " [", fx(min(x), 1), "–", fx(max(x), 1), "]"))
  }
  table1::label(car_df$n_total) <- "Hojas registradas por árbol (n)"
  table1::label(car_df$n_medida) <- "Hojas con área medida por árbol (n)"
  table1::label(car_df$media) <- "Área foliar media del árbol (cm²)"
  table1::label(car_df$cv) <- "CV del área dentro del árbol (%)"
  table1::label(car_df$marco_cm2) <- "Área del marco (cm²)"
  table1::label(car_df$aspecto) <- "Relación de aspecto del marco (lado mayor/menor)"
  table1::label(car_df$dist) <- "Distancia al centroide (m)"
  t_car <- tryCatch(table1::table1(~ n_total + n_medida + media + cv + marco_cm2 + aspecto + dist | expo, data = car_df,
                                   overall = "Total", rowlabelhead = "Característica", render.continuous = rc_stats,
                                   render.missing = NULL, topclass = "Rtable1-times"), error = function(e) NULL)
  if (!is.null(t_car)) { t1_out(t_car); ok_t1 <- TRUE }
}

```{=html}

Característica	A pleno sol (N=3)	A la sombra (N=3)	Total (N=6)
Hojas registradas por árbol (n)
Media (DE)	10,0 (0,0)	10,0 (0,0)	10,0 (0,0)
Mediana [mín.–máx.]	10,0 [10,0–10,0]	10,0 [10,0–10,0]	10,0 [10,0–10,0]
Hojas con área medida por árbol (n)
Media (DE)	10,0 (0,0)	10,0 (0,0)	10,0 (0,0)
Mediana [mín.–máx.]	10,0 [10,0–10,0]	10,0 [10,0–10,0]	10,0 [10,0–10,0]
Área foliar media del árbol (cm²)
Media (DE)	95,3 (13,9)	117,3 (34,6)	106,3 (26,5)
Mediana [mín.–máx.]	96,1 [81,0–108,7]	123,1 [80,2–148,7]	102,4 [80,2–148,7]
CV del área dentro del árbol (%)
Media (DE)	14,2 (1,8)	17,7 (0,7)	15,9 (2,2)
Mediana [mín.–máx.]	13,3 [13,0–16,2]	17,5 [17,1–18,4]	16,6 [13,0–18,4]
Área del marco (cm²)
Media (DE)	140,4 (21,6)	177,5 (49,8)	158,9 (39,9)
Mediana [mín.–máx.]	139,4 [119,2–162,5]	182,5 [125,5–224,6]	150,9 [119,2–224,6]
Relación de aspecto del marco (lado mayor/menor)
Media (DE)	1,1 (0,0)	1,1 (0,1)	1,1 (0,0)
Mediana [mín.–máx.]	1,1 [1,1–1,1]	1,1 [1,1–1,1]	1,1 [1,1–1,1]
Distancia al centroide (m)
Media (DE)	41,8 (11,3)	76,3 (86,8)	59,0 (58,5)
Mediana [mín.–máx.]	39,4 [31,9–54,1]	43,5 [10,6–174,6]	41,5 [10,6–174,6]


<p class="tnota"><b>Nota.</b> Cada fila resume los árboles de la columna (<i>N</i> = número de árboles); datos como media (DE) y mediana [mín.–máx.]. DE, desviación estándar; CV, coeficiente de variación dentro del árbol; el marco es el rectángulo dibujado alrededor de cada hoja (lado 1 × lado 2); la distancia se mide al centroide de los árboles. Los árboles sin áreas medidas no contribuyen a las filas de área.</p>

``` r
if (!ok_t1) {
  tc <- data.frame(Árbol = car_df$arbol, Exposición = as.character(car_df$exposicion), `Hojas registradas` = car_df$n_total, `Hojas medidas` = car_df$n_medida,
                   `Área media (cm²)` = fx(car_df$media, 1), `CV (%)` = fx(car_df$cv, 1), `Marco (cm²)` = fx(car_df$marco_cm2, 1),
                   `Aspecto` = fx(car_df$aspecto, 2), `Distancia al centroide (m)` = fx(car_df$dist, 0), check.names = FALSE)
  tabla(tc, align = "llrrrrrrr")
}

1.2 Calidad de la base de datos

Ver la descripción de las variables de la base

vars_tab <- data.frame(
  Variable = c("Árbol", "Exposición", "Lado 1 y lado 2", "Área del marco", "Área foliar", "ln(área)", "Cociente área/marco", "Relación de aspecto", "Latitud y longitud", "CCI", "Razón sombra/sol"),
  `Columna o cálculo` = c("arbol (T1, T2…)", "exposicion", "lado_1_mm, lado_2_mm", "lado 1 × lado 2 / 100", "area_real_cm2", "log(área foliar)", "área foliar / área del marco", "lado mayor / lado menor", "latitud, longitud", "ANOVA de un factor sobre ln(área)", "exp(β) del modelo mixto o razón de medias geométricas"),
  Unidad = c("—", "sol / sombra", "mm", "cm²", "cm²", "ln(cm²)", "0–1", "≥ 1", "grados decimales", "0–1", "sin unidad"),
  Descripción = c("Identificador del árbol; es la unidad experimental.", "Condición lumínica del árbol (factor de interés).", "Lados del rectángulo dibujado alrededor de cada hoja.",
                  "Escala de la fotografía y referencia del tamaño de la hoja.", "Área de la hoja obtenida de la fotografía escalada.", "Variable respuesta de la inferencia (el tamaño es multiplicativo).",
                  "Fracción del marco que ocupa la hoja.", "Indicador burdo de la forma de la lámina.", "Posición del árbol.", "Fracción de la varianza que ocurre entre árboles.", "Cociente de áreas de sombra respecto de sol; 1 = sin efecto."),
  check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("vars", "Variables de la base y su significado", "Las columnas del archivo de datos se normalizan al leerlas (minúsculas, sin tildes)."))

Tabla 2. Variables de la base y su significado

tabla(vars_tab, align = "llll")

Variable	Columna o cálculo	Unidad	Descripción
Árbol	arbol (T1, T2…)	—	Identificador del árbol; es la unidad experimental.
Exposición	exposicion	sol / sombra	Condición lumínica del árbol (factor de interés).
Lado 1 y lado 2	lado_1_mm, lado_2_mm	mm	Lados del rectángulo dibujado alrededor de cada hoja.
Área del marco	lado 1 × lado 2 / 100	cm²	Escala de la fotografía y referencia del tamaño de la hoja.
Área foliar	area_real_cm2	cm²	Área de la hoja obtenida de la fotografía escalada.
ln(área)	log(área foliar)	ln(cm²)	Variable respuesta de la inferencia (el tamaño es multiplicativo).
Cociente área/marco	área foliar / área del marco	0–1	Fracción del marco que ocupa la hoja.
Relación de aspecto	lado mayor / lado menor	≥ 1	Indicador burdo de la forma de la lámina.
Latitud y longitud	latitud, longitud	grados decimales	Posición del árbol.
CCI	ANOVA de un factor sobre ln(área)	0–1	Fracción de la varianza que ocurre entre árboles.
Razón sombra/sol	exp(β) del modelo mixto o razón de medias geométricas	sin unidad	Cociente de áreas de sombra respecto de sol; 1 = sin efecto.

Nota. Las columnas del archivo de datos se normalizan al leerlas (minúsculas, sin tildes).

cat(tcap("qc", "Revisión de calidad de la base y decisiones tomadas", "Cada problema se resuelve con una regla explícita y reproducible; la fila original se conserva en la base de trabajo."))

Tabla 3. Revisión de calidad de la base y decisiones tomadas

tabla(qc_tab, align = "lll")

Verificación	Resultado	Decisión
Estructura de la base	60 filas × 12 columnas; 6 árboles	Se normalizan nombres de columna y tipos
Hojas por árbol	10 (protocolo: 10)	Se conserva el n real de cada árbol
Áreas en blanco (pendientes)	0 de 60 (0,0 %)	Se excluyen del análisis primario; se estiman aparte (sensibilidad)
Árboles sin ninguna área medida	ninguno	Se excluyen del nivel de árbol; se usan en el análisis del marco
Espacios sobrantes en el área	24 celdas	Se eliminan al leer (strip)
Coordenadas con separador de miles	60 filas	Se reconstruye el valor decimal (3.379.480 → 3,379480)
Exposición válida y constante por árbol	0 valores no reconocidos; 0 inconsistencias	Se verifica; los no válidos se excluirían
Área ≤ 0 o mayor que el marco	0 filas (0 corregidas por unidad)	Se corrigen si el cociente /100 es plausible; si no, se excluyen
Archivos de foto repetidos	0	Se eliminan duplicados
Árbol medido dos veces (< umbral de distancia)	0 pares	Se unificarían bajo un solo árbol
Columnas de la plantilla ausentes	grupo, id_arbol, fecha, observaciones	Se advierte; no afecta al análisis

Nota. Cada problema se resuelve con una regla explícita y reproducible; la fila original se conserva en la base de trabajo.

Áreas completas. Todas las hojas tienen área medida (Fig. 2).

dd <- datos
dd$est <- ifelse(dd$estado == "ok", "Medida", ifelse(grepl("corregida", dd$estado), "Corregida (unidad)",
          ifelse(dd$estado == "sin área (pendiente)", "Pendiente", "Excluida")))
dd$arbol_f <- factor(dd$arbol, levels = rev(comp$arbol))
etq <- setNames(paste0(comp$arbol, " · ", comp$exposicion), comp$arbol)
pa <- ggplot(dd, aes(factor(n_hoja, levels = sort(unique(n_hoja))), arbol_f, fill = est)) +
  geom_tile(colour = "white", linewidth = .8) + geom_text(aes(label = ifelse(usar, sprintf("%.0f", area), "")), size = 2.6, colour = "white") +
  scale_fill_manual(values = c("Medida" = "#009E73", "Corregida (unidad)" = "#CC79A7", "Pendiente" = "grey85", "Excluida" = "#D55E00"), name = "Estado de la hoja") +
  scale_y_discrete(labels = function(x) etq[x]) + labs(x = "Hoja (n.º dentro del árbol)", y = "Árbol · exposición") +
  theme(axis.line = element_blank(), axis.ticks = element_blank(), legend.position = "top")
pb <- ggplot(comp, aes(factor(arbol, levels = rev(comp$arbol)), pct, fill = exposicion)) + geom_col(width = .65) +
  geom_text(aes(label = paste0(n_medida, "/", n_total)), hjust = -.15, size = 3) + coord_flip(ylim = c(0, 125)) +
  scale_fill_manual(values = COL) + scale_y_continuous(breaks = c(0, 50, 100)) + labs(x = NULL, y = "Hojas con área medida (%)") +
  theme(axis.text.y = element_blank(), axis.ticks.y = element_blank(), legend.position = "top")
pa + pb + plot_layout(widths = c(2.3, 1)) + plot_annotation(tag_levels = "a")

Fig. 2 | Completitud de la base por hoja y por árbol. a, Mosaico hoja a hoja; los números son el área (cm²) usada en el análisis. b, Porcentaje de hojas con área medida por árbol.

1.3 Ubicación de los árboles: mapa interactivo

Los árboles están separados entre 11 y 230 m; el más alejado del centroide es T6 (175 m), un detalle relevante porque la posición espacial puede confundirse con la exposición (véase Forma de la hoja y contexto espacial). Haz clic en un marcador para ver la fotografía y los datos del árbol; el control de capas permite cambiar el mapa base y ocultar una exposición.

presentes <- intersect(niveles_expo, unique(sitios$exposicion))
if (HAS_LEAFLET) {
  library(leaflet)
  mapa <- leaflet(height = 480) %>%
    addProviderTiles(providers$Esri.WorldImagery, group = "Satélite") %>%
    addTiles(group = "Calles")
  for (e in presentes) {
    d <- sitios[sitios$exposicion == e, ]
    mapa <- addCircleMarkers(mapa, data = d, lng = ~lon, lat = ~lat, radius = 9, weight = 2,
                             color = "white", fillColor = col_expo[[e]], fillOpacity = 0.95,
                             label = ~id_arbol, popup = ~popup,
                             popupOptions = popupOptions(maxWidth = 260), group = lab_expo[[e]])
  }
  mapa %>%
    addLayersControl(baseGroups = c("Satélite", "Calles"), overlayGroups = unname(lab_expo[presentes]),
                     options = layersControlOptions(collapsed = FALSE)) %>%
    addLegend("bottomright", colors = unname(col_expo[presentes]), labels = unname(lab_expo[presentes]),
              title = "Exposición", opacity = 1) %>%
    addScaleBar("bottomleft")
} else {
  cat("El paquete 'leaflet' no está instalado: se muestra un mapa simple.",
      "Para el mapa interactivo ejecuta install.packages('leaflet').\n")
  plot(sitios$lon, sitios$lat, pch = 21, cex = 3, bg = col_expo[sitios$exposicion],
       asp = 1 / cos(mean(sitios$lat) * pi / 180), xlab = "Longitud (°)", ylab = "Latitud (°)",
       main = "Ubicación de los árboles")
  text(sitios$lon, sitios$lat, sub(".*_", "", sitios$id_arbol), cex = 0.8)
  legend("topright", legend = lab_expo[presentes], pt.bg = col_expo[presentes], pch = 21, bty = "n")
}

Fig. 3 | Mapa interactivo de los árboles muestreados. Cada círculo es un árbol (color = exposición lumínica). Al pulsarlo se muestran su fotografía, el número de hojas registradas, el área foliar media y sus coordenadas (grados decimales).

gm <- merge(geo, desc_all[, c("arbol", "media")], by = "arbol", all.x = TRUE)
rx <- range(gm$x_m); ry <- range(gm$y_m); pad <- 0.12 * max(diff(rx), diff(ry), 60)
pa <- ggplot(gm, aes(x_m, y_m)) +
  geom_point(data = gm[!is.na(gm$media), ], aes(fill = exposicion, size = media), shape = 21, colour = "grey15", stroke = .6) +
  geom_point(data = gm[is.na(gm$media), ], shape = 21, size = 5, fill = "white", colour = "grey15", stroke = .9) +
  geom_text(aes(label = arbol), nudge_y = pad * .55, fontface = "bold", size = 3.2) +
  annotate("segment", x = rx[1] - pad * .5, xend = rx[1] - pad * .5 + 50, y = ry[1] - pad, yend = ry[1] - pad, linewidth = 1) +
  annotate("text", x = rx[1] - pad * .5 + 25, y = ry[1] - pad * 1.5, label = "50 m", size = 3) +
  scale_fill_manual(values = COL, name = "Exposición") + scale_size_continuous(range = c(4.5, 10), name = "Área media (cm²)") +
  coord_equal(xlim = rx + c(-pad, pad), ylim = ry + c(-pad * 2, pad * 1.4)) +
  labs(x = "Este–oeste (m)", y = "Norte–sur (m)") + guides(fill = guide_legend(override.aes = list(size = 5))) +
  theme(legend.box = "vertical", legend.position = "right")
dm <- expand.grid(a = geo$arbol, b = geo$arbol, stringsAsFactors = FALSE)
dm$d <- haversine(geo$lat[match(dm$a, geo$arbol)], geo$lon[match(dm$a, geo$arbol)], geo$lat[match(dm$b, geo$arbol)], geo$lon[match(dm$b, geo$arbol)])
dm$a <- factor(dm$a, levels = geo$arbol); dm$b <- factor(dm$b, levels = rev(geo$arbol))
pb <- ggplot(dm, aes(a, b, fill = d)) + geom_tile(colour = "white") + geom_text(aes(label = ifelse(d == 0, "", fx(d, 0))), size = 2.9) +
  scale_fill_gradient(low = "#f7fbff", high = "#6baed6", guide = "none") + labs(x = NULL, y = NULL) +
  theme(axis.line = element_blank(), axis.ticks = element_blank(), panel.grid = element_blank())
pa + pb + plot_layout(widths = c(1.35, 1)) + plot_annotation(tag_levels = "a")

Fig. 4 | Posición de los árboles en el bosque urbano. a, Plano local (metros respecto del centroide, a partir de las coordenadas registradas). El tamaño del círculo es proporcional al área media medida; los círculos vacíos son árboles sin áreas medidas. b, Distancia entre pares de árboles (m).

1.4 Fotografías de los árboles

Fotografía de referencia de cada árbol, que documenta su estado, su entorno y su grado de exposición solar. Haz clic en una imagen para ampliarla y usa los botones para filtrar por exposición. Se cargaron 6 fotografías.

fig_html <- vapply(seq_len(nrow(sitios)), function(i) {
  s <- sitios[i, ]
  marco <- if (is.na(s$uri_gal)) paste0('<div class="marco vacio"><span>Foto no disponible<br><code>arbol', s$num, '.jpg</code></span></div>') else
    paste0('<div class="marco"><img src="', s$uri_gal, '" alt="Árbol ', s$id_arbol, ' · ', lab_expo[[s$exposicion]], '" loading="lazy"><span class="badge ', s$exposicion, '">', toupper(s$exposicion), '</span></div>')
  meta <- paste0(s$hojas, " hojas · ", if (is.na(s$media)) "sin áreas medidas" else paste0("área media ", fx(s$media, 1), " cm²"))
  paste0('<figure class="', s$exposicion, '" data-expo="', s$exposicion, '">', marco,
         '<figcaption><b>Árbol ', s$id_arbol, '</b> · ', lab_expo[[s$exposicion]], '<br><span class="meta">', meta, '</span></figcaption></figure>')
}, character(1))
js <- paste0("<script>(function(){var lb=document.getElementById('lb'),im=lb.querySelector('img'),cp=lb.querySelector('.lbcap');",
  "document.querySelectorAll('.galeria .marco img').forEach(function(el){el.addEventListener('click',function(){im.src=el.src;cp.textContent=el.alt;lb.classList.add('on');});});",
  "lb.addEventListener('click',function(){lb.classList.remove('on');});",
  "document.addEventListener('keydown',function(e){if(e.key==='Escape'){lb.classList.remove('on');}});",
  "var bs=document.querySelectorAll('.galeria-filtros button');bs.forEach(function(b){b.addEventListener('click',function(){bs.forEach(function(x){x.classList.remove('on');});b.classList.add('on');var f=b.getAttribute('data-f');",
  "document.querySelectorAll('.galeria figure').forEach(function(fg){fg.classList.toggle('oculto',f!=='todos'&&fg.getAttribute('data-expo')!==f);});});});})();</script>")
# Se devuelve como objeto 'asis' (no con cat): imprimir varios MB de base64 en una sola linea hace que knitr se congele
knitr::asis_output(paste0('\n```{=html}\n',
    '<div class="galeria-filtros"><button class="on" data-f="todos">Todos</button><button data-f="sol">A pleno sol</button><button data-f="sombra">A la sombra</button></div>\n',
    '<div class="galeria">\n', paste(fig_html, collapse = "\n"), '\n</div>\n',
    '<div id="lb" class="lb"><img alt=""><div class="lbcap"></div></div>\n', js, '\n```\n\n'))

Árbol T1 · A la sombra — **Árbol T1** · A la sombra
10 hojas · área media 80,2 cm²

Árbol T2 · A pleno sol — **Árbol T2** · A pleno sol
10 hojas · área media 108,7 cm²

Árbol T3 · A pleno sol — **Árbol T3** · A pleno sol
10 hojas · área media 81,0 cm²

Árbol T4 · A la sombra — **Árbol T4** · A la sombra
10 hojas · área media 123,1 cm²

Árbol T5 · A pleno sol — **Árbol T5** · A pleno sol
10 hojas · área media 96,1 cm²

Árbol T6 · A la sombra — **Árbol T6** · A la sombra
10 hojas · área media 148,7 cm²

Fig. 5 | Fotografías de referencia de los árboles muestreados. Marco superior: exposición lumínica (naranja, pleno sol; azul, sombra). Pie: identificador del árbol, número de hojas registradas y área foliar media.

2 Resultados

2.1 El marco rectangular como indicador del tamaño de la hoja

Cada hoja se trazó dentro de un marco rectangular cuyos lados se midieron con regla, de modo que el área del marco (lado 1 × lado 2) existe para las 60 hojas, incluso cuando el área medida por imagen está pendiente. Entre las 60 hojas con ambas medidas, el área de la hoja fue en promedio el 66,9 % del área del marco (rango 54–73 %), y ambas medidas se relacionan de forma muy estrecha (R² = 0,964; Fig. 6). Al predecir el área de una hoja con su marco, el error típico es de ≈ 5,3 %. El cociente área/marco difirió entre árboles (p = 0,006) y sí entre exposiciones (p = 0,009); el marco no es, por tanto, un indicador neutral respecto de la exposición. Por eso el marco sirve, con cautela, para validar las áreas medidas, detectar errores de unidad y estimar las áreas pendientes.

shp_f <- setNames(rep(c(21, 22, 23, 24, 25), length.out = length(arboles_all)), arboles_all)
if (R$proxy_ok) {
  xr <- range(lim$marco_cm2)
  pa <- ggplot(lim, aes(marco_cm2, area)) +
    geom_abline(slope = 1, intercept = log10(R$fill_mean), linetype = 2, colour = "grey45") +
    geom_smooth(method = "lm", formula = y ~ x, se = TRUE, colour = "black", fill = "grey80", linewidth = .6) +
    geom_point(aes(fill = exposicion, shape = arbol), size = 2.6, colour = "grey15", stroke = .3, alpha = .9) +
    scale_x_log10(breaks = c(50, 100, 150, 250)) + scale_y_log10(breaks = c(40, 80, 120, 200)) +
    scale_fill_manual(values = COL, name = "Exposición") + scale_shape_manual(values = shp_f, name = "Árbol") +
    labs(x = "Área del marco (cm², escala log)", y = "Área de la hoja (cm², escala log)") +
    annotate("text", x = xr[1], y = max(lim$area), hjust = 0, vjust = 1, size = 3.3,
             label = paste0("R² = ", fx(R$px_r2, 3), "\npendiente = ", fx(R$px_b, 2))) +
    guides(fill = guide_legend(override.aes = list(shape = 21)), shape = guide_legend(nrow = 1))
  fr <- lim; fr$arbol_f <- factor(fr$arbol, levels = comp$arbol)
  pb <- ggplot(fr, aes(arbol_f, razon_marco)) +
    geom_jitter(aes(fill = exposicion), width = .12, height = 0, shape = 21, size = 2.2, colour = "grey15", stroke = .3, alpha = .85) +
    stat_summary(fun.data = function(x) data.frame(y = mean(x), ymin = mean(x) - sd(x), ymax = mean(x) + sd(x)), geom = "pointrange", size = .35, colour = "black") +
    geom_hline(yintercept = R$fill_mean, linetype = 2, colour = "grey45") + scale_x_discrete(drop = FALSE) +
    scale_fill_manual(values = COL, guide = "none") + labs(x = NULL, y = "Área / área del marco")
  pa + pb + plot_layout(widths = c(1.15, 1)) + plot_annotation(tag_levels = "a")
}

Fig. 6 | El área del marco predice el área de la hoja. a, Relación entre el área del marco y el área medida (escala log–log); línea sólida, ajuste por mínimos cuadrados; línea discontinua, proporcionalidad con el cociente medio. b, Cociente área/marco por árbol (puntos: hojas; barras: media ± DE).

2.2 Variación entre y dentro de árboles

td <- merge(comp[, c("arbol", "exposicion", "n_medida", "n_total")], desc_all[, c("arbol", "media", "mediana", "de", "cv", "li", "ls", "min", "max", "geom")], by = "arbol", all.x = TRUE)
td <- td[order(as.integer(gsub("\\D", "", td$arbol))), ]
td_out <- data.frame(Árbol = td$arbol, Exposición = td$exposicion, `n (medidas/total)` = paste0(td$n_medida, "/", td$n_total),
                     Media = fx(td$media, 1), Mediana = fx(td$mediana, 1), DE = fx(td$de, 1), `CV (%)` = fx(td$cv, 1),
                     `IC 95 % de la media` = ifelse(is.na(td$li), "n/d", paste0(fx(td$li, 1), "–", fx(td$ls, 1))),
                     `Mín.–máx.` = ifelse(is.na(td$min), "n/d", paste0(fx(td$min, 1), "–", fx(td$max, 1))),
                     `Media geom.` = fx(td$geom, 1), check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("desc", "Estadísticos descriptivos del área foliar (cm²) por árbol",
         "Cada columna es un árbol (exposición tras el punto); datos de las hojas con área medida. DE, desviación estándar; CV, coeficiente de variación (DE/media); IC, intervalo de confianza <i>t</i> de Student de la media; n/d, no disponible (sin áreas medidas o una sola hoja)."))

Tabla 4. Estadísticos descriptivos del área foliar (cm²) por árbol

ok_t1 <- FALSE
if (HAS_T1) {
  rc_arbol <- function(x, ...) {
    x <- x[is.finite(x)]; n <- length(x)
    if (n == 0) return(c("", "n" = "0", "Media (DE)" = "n/d", "Mediana [mín.–máx.]" = "n/d", "CV (%)" = "n/d", "Media geométrica" = "n/d", "IC 95 % de la media" = "n/d"))
    m <- mean(x); s <- if (n > 1) sd(x) else NA
    ic <- if (n > 1) m + c(-1, 1) * qt(.975, n - 1) * s / sqrt(n) else c(NA, NA)
    c("", "n" = as.character(n), "Media (DE)" = paste0(fx(m, 1), " (", fx(s, 1), ")"),
      "Mediana [mín.–máx.]" = paste0(fx(median(x), 1), " [", fx(min(x), 1), "–", fx(max(x), 1), "]"),
      "CV (%)" = fx(if (n > 1) 100 * s / m else NA, 1), "Media geométrica" = fx(exp(mean(log(x))), 1),
      "IC 95 % de la media" = if (n > 1) paste0(fx(ic[1], 1), "–", fx(ic[2], 1)) else "n/d")
  }
  ld <- lim[, c("area", "arbol")]
  ld$arbol_f <- factor(paste0(ld$arbol, " · ", as.character(lim$exposicion)), levels = paste0(comp$arbol, " · ", comp$exposicion))
  table1::label(ld$area) <- "Área foliar de la hoja (cm²)"
  t_desc <- tryCatch(table1::table1(~ area | arbol_f, data = ld, overall = FALSE, droplevels = FALSE, rowlabelhead = "Variable",
                                    render.continuous = rc_arbol, render.missing = NULL, topclass = "Rtable1-times"), error = function(e) NULL)
  if (!is.null(t_desc)) { t1_out(t_desc); ok_t1 <- TRUE }
}

```{=html}

Variable	T1 · sombra (N=10)	T2 · sol (N=10)	T3 · sol (N=10)	T4 · sombra (N=10)	T5 · sol (N=10)	T6 · sombra (N=10)
Área foliar de la hoja (cm²)
n	10	10	10	10	10	10
Media (DE)	80,2 (14,7)	108,7 (14,5)	81,0 (10,5)	123,1 (21,6)	96,1 (15,6)	148,7 (25,4)
Mediana [mín.–máx.]	82,5 [50,8–103,4]	107,3 [92,7–139,0]	76,0 [69,3–97,0]	126,1 [91,1–152,5]	93,8 [73,4–122,4]	142,4 [119,0–191,4]
CV (%)	18,4	13,3	13,0	17,5	16,2	17,1
Media geométrica	78,8	107,9	80,4	121,4	94,9	146,8
IC 95 % de la media	69,7–90,7	98,4–119,1	73,4–88,5	107,7–138,6	84,9–107,2	130,5–166,8


<p class="tnota"><b>Nota.</b> Cada columna es un árbol (exposición tras el punto); datos de las hojas con área medida. DE, desviación estándar; CV, coeficiente de variación (DE/media); IC, intervalo de confianza <i>t</i> de Student de la media; n/d, no disponible (sin áreas medidas o una sola hoja).</p>

``` r
if (!ok_t1) tabla(td_out, align = "llrrrrrrrr")

Las medias de árbol fueron de 80,2 a 148,7 cm² (T1 y T6, respectivamente), y el CV dentro de árbol de 13,0 a 18,4 % (Tabla 4, Fig. 7). Las diferencias entre árboles son comparables o mayores que las que hay entre hojas de un mismo árbol.

lim$arbol_f2 <- factor(lim$arbol, levels = comp$arbol)
vacios <- which(comp$n_medida == 0)
etq2 <- setNames(comp$exposicion, comp$arbol)
pa <- ggplot(lim, aes(arbol_f2, area, fill = exposicion)) +
  geom_boxplot(width = .55, outlier.shape = NA, alpha = .5, colour = "grey25", linewidth = .4) +
  geom_jitter(aes(colour = exposicion), width = .13, height = 0, size = 1.7, alpha = .85) +
  stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white", colour = "grey15") +
  scale_x_discrete(drop = FALSE, labels = function(x) paste0(x, "\n", etq2[x])) +
  scale_fill_manual(values = COL, name = "Exposición") + scale_colour_manual(values = COL, guide = "none") + labs(x = NULL, y = "Área foliar (cm²)")
if (length(vacios)) pa <- pa + annotate("text", x = vacios, y = mean(range(lim$area)), label = "sin áreas\nmedidas", size = 3, colour = "grey40")
pb <- ggplot(desc_all[!is.na(desc_all$de), ], aes(media, de)) + geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = "grey40", linewidth = .4, linetype = 2) +
  geom_point(aes(fill = exposicion), shape = 21, size = 3.4, colour = "grey15") + geom_text(aes(label = arbol), nudge_y = diff(range(desc_all$de, na.rm = TRUE)) * .1 + .3, size = 3) +
  scale_fill_manual(values = COL, guide = "none") + labs(x = "Media del árbol (cm²)", y = "DE dentro del árbol (cm²)")
pc <- ggplot(desc_all[!is.na(desc_all$de_ln), ], aes(media_ln, de_ln)) + geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = "grey40", linewidth = .4, linetype = 2) +
  geom_point(aes(fill = exposicion), shape = 21, size = 3.4, colour = "grey15") +
  scale_fill_manual(values = COL, guide = "none") + labs(x = "Media del área (escala log)", y = "DE del área (escala log)")
dd2 <- desc_all[!is.na(desc_all$de), ]
if (nrow(dd2) >= 3) {
  R$r_orig <- cor(dd2$media, dd2$de); R$r_log <- cor(dd2$media_ln, dd2$de_ln)
  pb <- pb + annotate("text", x = min(dd2$media), y = max(dd2$de), hjust = 0, size = 3.2, label = paste0("r = ", fx(R$r_orig, 2)))
  pc <- pc + annotate("text", x = min(dd2$media_ln), y = max(dd2$de_ln), hjust = 0, size = 3.2, label = paste0("r = ", fx(R$r_log, 2)))
}
pa / (pb | pc) + plot_layout(heights = c(1.25, 1)) + plot_annotation(tag_levels = "a")

Fig. 7 | Distribución del área foliar por árbol y relación media–dispersión. a, Una caja por árbol (mediana, rango intercuartílico y bigotes de 1,5 × RIC); puntos, hojas; rombos blancos, medias. b, c, Desviación estándar frente a la media de cada árbol en la escala original (b) y en logaritmos (c); la transformación logarítmica estabiliza la varianza si desaparece la dependencia.

Entre árboles, la dispersión de las hojas crece con el tamaño medio (r = 0,93) y esa relación pasa a r = 0,06 al usar logaritmos (6 árboles; coeficientes solo descriptivos). Por eso el análisis se hace en escala logarítmica y los efectos se expresan como razones de tamaño.

2.2.1 Cuánta variación hay entre árboles

Los árboles sí difieren entre sí en el tamaño de sus hojas (ANOVA, F(5; 54) = 21,97; p < 0,001). El 68 % de la variación del tamaño se debe a diferencias entre árboles (coeficiente de correlación intraclase, CCI = 0,68; IC 95 %: 0,41–0,93)⁹ y el resto, a diferencias entre hojas de un mismo árbol (Fig. 8). Es decir, las hojas de un mismo árbol tienden a parecerse entre sí.

if (!is.null(R$icc)) {
  a1 <- R$icc$an; msb <- a1$`Mean Sq`[1]; msw <- a1$`Mean Sq`[2]
  v_t_a <- max((msb - msw) / R$icc$n0, 0); v_e_a <- msw
  vv <- data.frame(modelo = "Solo árbol\n(ANOVA)", comp = c("Entre árboles", "Entre hojas (dentro del árbol)"), v = c(v_t_a, v_e_a))
  if (!is.null(R$mix)) {
    Xm <- lme4::getME(R$mix$m, "X"); vf <- var(as.numeric(Xm %*% lme4::fixef(R$mix$m)))
    vv <- rbind(vv, data.frame(modelo = "Con exposición\n(mixto)", comp = c("Exposición (fija)", "Entre árboles", "Entre hojas (dentro del árbol)"), v = c(vf, R$mix$v_t, R$mix$v_e)))
  }
  vv$pct <- ave(vv$v, vv$modelo, FUN = function(z) 100 * z / sum(z))
  vv$comp <- factor(vv$comp, levels = c("Exposición (fija)", "Entre árboles", "Entre hojas (dentro del árbol)"))
  pa <- ggplot(vv, aes(pct, modelo, fill = comp)) + geom_col(width = .55, colour = "white") +
    geom_text(aes(label = ifelse(pct > 6, paste0(fx(pct, 0), " %"), "")), position = position_stack(vjust = .5), size = 3, colour = "white", fontface = "bold") +
    scale_fill_manual(values = c("Exposición (fija)" = "#E69F00", "Entre árboles" = "#0072B2", "Entre hojas (dentro del árbol)" = "grey70"), name = "Fuente de variación") +
    labs(x = "% de la variación del tamaño de la hoja", y = NULL) + guides(fill = guide_legend(nrow = 2))
  pb <- ggplot(data.frame(x = "CCI", e = R$icc$icc, lo = R$icc$li, hi = R$icc$ls), aes(e, x)) +
    geom_vline(xintercept = c(0, 1), linetype = 3, colour = "grey60") +
    geom_segment(aes(x = lo, xend = hi, y = x, yend = x), linewidth = .8) + geom_point(size = 3.6, shape = 21, fill = "#0072B2") +
    scale_x_continuous(limits = c(min(0, R$icc$li) - .05, 1.02)) + labs(x = "Coeficiente de correlación intraclase", y = NULL) +
    theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())
  pa + pb + plot_layout(widths = c(1.8, 1)) + plot_annotation(tag_levels = "a")
}

Fig. 8 | Reparto de la variación del tamaño de la hoja. a, Componentes de varianza (porcentaje del total) del modelo solo con árbol (estimadores de ANOVA) y, si está disponible, del modelo mixto con la exposición como efecto fijo.¹⁰ b, Coeficiente de correlación intraclase con su intervalo de confianza de 95 %.

2.3 Valores atípicos: ¿error de medición u hoja realmente distinta?

Criterio para decidir si una hoja atípica se conserva (dos pasos)

Se aplicó un criterio en dos pasos. Primero, ¿hay una causa de medición (unidad equivocada, área mayor que el marco, trazo dudoso, foto borrosa)? Si la hay, se corrige o se excluye, como en la revisión de calidad (Tabla 3). Segundo, si no hay causa de medición pero la hoja queda fuera de la regla de Tukey de su árbol (Q1 − 1,5·RIC, Q3 + 1,5·RIC) o su z robusto basado en la MAD supera 3,5 en valor absoluto, se considera una hoja realmente distinta: se conserva y se mide cuánto cambia el resultado sin ella (análisis de sensibilidad). Además se examinaron los residuos studentizados y la distancia de Cook del modelo con árbol.

cat(tcap("atip", "Hojas marcadas por algún criterio de atipicidad", "Se evalúan árboles con al menos 4 hojas medidas. <i>z</i> robusto = 0,6745·(x − mediana)/MAD."))

Tabla 5. Hojas marcadas por algún criterio de atipicidad

if (nrow(atip_marcadas) > 0) {
  ta <- data.frame(Árbol = atip_marcadas$arbol, `Hoja (n.º)` = atip_marcadas$n_hoja, `Área (cm²)` = fx(atip_marcadas$area, 1),
                   `z robusto` = fx(atip_marcadas$z_robusto, 2), `Fuera de Tukey` = ifelse(atip_marcadas$fuera_tukey, "sí", "no"),
                   `|z| > 3,5` = ifelse(atip_marcadas$fuera_z, "sí", "no"), `Razón área / mediana del árbol` = fx(atip_marcadas$razon_mediana, 2), check.names = FALSE)
  tabla(ta, align = "lrrrccr")
} else cat("<p><i>Ninguna hoja queda fuera de los criterios en los árboles evaluables.</i></p>\n")

Árbol	Hoja (n.º)	Área (cm²)	z robusto	Fuera de Tukey	\|z\| > 3,5	Razón área / mediana del árbol
T1	5	50,8	-2,55	sí	no	0,62

Nota. Se evalúan árboles con al menos 4 hojas medidas. z robusto = 0,6745·(x − mediana)/MAD.

R$txt_atip <- paste0("Con los criterios descritos se marcaron ", R$n_atip, " hojas (", tref("atip"), "). Ninguna tiene una causa de medición evidente (su cociente área/marco está dentro del rango observado, ", fx(R$ratio_ok[1], 2), "–", fx(R$ratio_ok[2], 2), "), por lo que se conservan. Según cómo se resuma cada árbol (media, mediana, etc.), la diferencia sombra − sol va de ",
  fx(R$sens_rango[1], 1), " a ", fx(R$sens_rango[2], 1), " cm² (", fref("atipicos"), "b)",
  if (!is.na(R$sens_rango[1]) && R$sens_rango[1] * R$sens_rango[2] < 0) ": **el signo cambia con el resumen elegido**, así que la conclusión depende de unas pocas hojas." else ": el signo no cambia, así que la conclusión no depende de hojas individuales.")

Con los criterios descritos se marcaron 1 hojas (Tabla 5). Ninguna tiene una causa de medición evidente (su cociente área/marco está dentro del rango observado, 0,54–0,73), por lo que se conservan. Según cómo se resuma cada árbol (media, mediana, etc.), la diferencia sombra − sol va de 22,1 a 24,6 cm² (Fig. 9b): el signo no cambia, así que la conclusión no depende de hojas individuales.

if (nrow(atip) > 0) {
  atip$cls <- ifelse(atip$fuera_tukey | atip$fuera_z, "marcada", "dentro")
  pa <- ggplot(atip, aes(arbol, z_robusto)) + geom_hline(yintercept = c(-3.5, 3.5), linetype = 2, colour = "grey50") + geom_hline(yintercept = 0, colour = "grey85") +
    geom_jitter(aes(fill = cls), width = .12, height = 0, shape = 21, size = 2.6, colour = "grey20") +
    scale_fill_manual(values = c(dentro = "grey80", marcada = "#D55E00"), name = "Clasificación") + labs(x = NULL, y = "z robusto (MAD)")
} else pa <- ggplot() + theme_void() + annotate("text", x = 0, y = 0, label = "Sin árboles evaluables")
sens_tab$Resumen <- factor(sens_tab$Resumen, levels = sens_tab$Resumen[order(sens_tab$dif)])
pb <- ggplot(sens_tab, aes(dif, Resumen)) + geom_vline(xintercept = 0, linetype = 3) +
  geom_segment(aes(x = 0, xend = dif, yend = Resumen), colour = "grey60") + geom_point(size = 3.5, shape = 21, fill = COL["sombra"], colour = "grey15") +
  labs(x = "Sombra − sol (cm²)", y = NULL)
pa + pb + plot_layout(widths = c(1, 1.15)) + plot_annotation(tag_levels = "a")

Fig. 9 | Detección de hojas atípicas y sensibilidad del resultado. a, z robusto de cada hoja respecto de la mediana de su árbol; líneas discontinuas, ±3,5. b, Diferencia sombra − sol entre árboles según el estadístico con que se resume cada árbol.

2.4 La unidad de análisis es el árbol

La exposición se asignó al árbol, no a la hoja: las hojas de un mismo árbol comparten suelo, edad, genotipo y luz. Tratarlas como réplicas de la exposición multiplica artificialmente el tamaño de muestra.¹¹ Cuantificamos esa inflación con el efecto de diseño, DEFF = 1 + (m̄ − 1)·CCI, y con el tamaño de muestra efectivo, N/DEFF.

R$deff <- NA; R$neff <- NA
if (!is.null(R$icc)) { mbar <- nrow(limA) / nlevels(limA$arbol_f); R$deff <- 1 + (mbar - 1) * max(R$icc$icc, 0); R$neff <- nrow(limA) / R$deff; R$mbar <- mbar }
filas <- list()
if (!is.null(R$pseudo)) filas[[1]] <- c("Hojas como datos independientes (incorrecto)", R$pseudo$n, fx(R$pseudo$razon, 2), fci(R$pseudo$li, R$pseudo$ls), fp(R$pseudo$p))
filas[[length(filas) + 1]] <- c("Un promedio por árbol (correcto)", paste0(R$n_sol, " + ", R$n_som, " = ", R$n_sol + R$n_som), fx(bA$razon, 2), fci(bA$li, bA$ls), fp(bA$p_welch))
tp <- as.data.frame(do.call(rbind, filas), stringsAsFactors = FALSE)
names(tp) <- c("Estrategia de análisis", "Unidades analizadas (n)", "Razón sombra/sol", "IC 95 %", "Valor de p (Welch)")
cat(tcap("pseudo", "Pseudorreplicación: hojas frente a árboles como unidad de análisis", paste0("Prueba de Welch en escala logarítmica (razón de medias geométricas). Efecto de diseño estimado: ", fx(R$deff, 1), "; tamaño de muestra efectivo ≈ ", fx(R$neff, 1), " hojas independientes de ", nrow(limA), ".")))

Tabla 6. Pseudorreplicación: hojas frente a árboles como unidad de análisis

tabla(tp, align = "lrrrr")

Estrategia de análisis	Unidades analizadas (n)	Razón sombra/sol	IC 95 %	Valor de p (Welch)
Hojas como datos independientes (incorrecto)	60	1,19	[1,04; 1,37]	0,011
Un promedio por árbol (correcto)	3 + 3 = 6	1,19	[0,61; 2,33]	0,448

Nota. Prueba de Welch en escala logarítmica (razón de medias geométricas). Efecto de diseño estimado: 7,1; tamaño de muestra efectivo ≈ 8,5 hojas independientes de 60.

R$txt_pseudo <- if (!is.null(R$pseudo)) paste0("Si las ", R$pseudo$n, " hojas se trataran como datos independientes, el valor de *p* sería ", fp(R$pseudo$p), " (en lugar de ", fp(bA$p_welch), ") y el intervalo parecería más estrecho (", fci(R$pseudo$li, R$pseudo$ls), " frente a ", fci(bA$li, bA$ls),
  "). Esa precisión es ilusoria: como las hojas de un mismo árbol se parecen entre sí (CCI = ", fx(R$icc$icc, 2), "), las ", nrow(limA), " hojas aportan información equivalente a solo unas ", fx(R$neff, 0), " hojas independientes.") else "No hay dos exposiciones con datos suficientes para ilustrar la pseudorreplicación."

Si las 60 hojas se trataran como datos independientes, el valor de p sería 0,011 (en lugar de 0,448) y el intervalo parecería más estrecho ([1,04; 1,37] frente a [0,61; 2,33]). Esa precisión es ilusoria: como las hojas de un mismo árbol se parecen entre sí (CCI = 0,68), las 60 hojas aportan información equivalente a solo unas 8 hojas independientes.

if (nlevels(limA$exposicion) == 2) {
  pa <- ggplot(limA, aes(exposicion, area)) +
    geom_violin(aes(fill = exposicion), alpha = .22, colour = NA, scale = "width") +
    geom_boxplot(width = .14, outlier.shape = NA, fill = "white", colour = "grey25", linewidth = .4) +
    geom_jitter(aes(fill = exposicion, shape = arbol), width = .14, height = 0, size = 2.2, colour = "grey15", stroke = .3, alpha = .85) +
    scale_fill_manual(values = COL, guide = "none") + scale_shape_manual(values = shp_f, name = "Árbol") + labs(x = NULL, y = "Área foliar de la hoja (cm²)")
  ex_sum <- do.call(rbind, lapply(split(arb, droplevels(arb$exposicion)), function(d) {
    n <- nrow(d); m <- mean(d$media); s <- if (n > 1) sd(d$media) else NA; tc <- if (n > 1) qt(.975, n - 1) else NA
    data.frame(exposicion = as.character(d$exposicion[1]), n = n, m = m, li = m - tc * s / sqrt(n), ls = m + tc * s / sqrt(n))
  }))
  ex_sum$exposicion <- factor(ex_sum$exposicion, levels = c("sol", "sombra"))
  pb <- ggplot() +
    geom_segment(data = ex_sum, aes(x = exposicion, xend = exposicion, y = li, yend = ls), linewidth = 1.1, colour = "grey20", na.rm = TRUE) +
    geom_point(data = ex_sum, aes(exposicion, m), shape = 95, size = 14, colour = "grey20") +
    geom_point(data = arb, aes(exposicion, media, fill = exposicion, shape = arbol), size = 4, colour = "grey15", stroke = .5, position = position_nudge(x = .18)) +
    geom_text(data = arb, aes(exposicion, media, label = arbol), nudge_x = .32, size = 3, colour = "grey25") +
    geom_text(data = ex_sum, aes(exposicion, Inf, label = paste0("n = ", n, " árboles")), vjust = 1.6, size = 3.2) +
    scale_fill_manual(values = COL, guide = "none") + scale_shape_manual(values = shp_f, guide = "none") + labs(x = NULL, y = "Área foliar media del árbol (cm²)")
  pa + pb + plot_layout(widths = c(1.2, 1)) + plot_annotation(tag_levels = "a")
}

Fig. 10 | El contraste sol–sombra: hojas frente a árboles. a, Hojas (descriptivo): cada símbolo es un árbol distinto; las hojas del mismo árbol se agrupan, lo que revela su falta de independencia. b, Unidad de análisis correcta: un punto por árbol (media aritmética de sus hojas), con la media de cada exposición y su intervalo de confianza t de 95 % (barra); n = número de árboles.

2.5 Inferencia sobre la exposición con el árbol como unidad

Sobre los promedios de árbol se aplicaron seis enfoques complementarios (Tabla 7), que se resumen en la Fig. 12.

Ver los seis enfoques y el tamaño del efecto

Los enfoques fueron: la prueba t de Welch,¹² sobre la escala original y sobre la escala logarítmica (que da directamente una razón de medias geométricas); la prueba de Wilcoxon exacta;¹³ una prueba de permutación exacta que enumera todos los repartimientos posibles de las etiquetas sol/sombra entre los árboles; un bootstrap jerárquico en dos etapas (árboles y luego hojas dentro de árbol);¹⁴ el modelo mixto con el árbol como efecto aleatorio, con grados de libertad de Satterthwaite;^15–17 y el ANOVA anidado, que prueba la exposición contra la variación entre árboles. El tamaño del efecto se resume con la g de Hedges.^18,19

fil <- list()
fil[[1]] <- c("Welch con el promedio por árbol (escala log)", paste0("razón = ", fx(bA$razon, 2)), fci(bA$li, bA$ls), paste0("gl = ", fx(bA$df, 1)), fp(bA$p_welch))
fil[[2]] <- c("Welch sobre área media por árbol (cm²)", if (!is.null(bcm)) paste0("dif. = ", fx(bcm$dif, 1), " cm²") else "n/d", if (!is.null(bcm)) fci(bcm$li, bcm$ls, 1) else "n/d", "", if (!is.null(bcm)) fp(bcm$p) else "n/d")
fil[[3]] <- c("Wilcoxon (exacta)", "—", "—", "", fp(bA$p_wilcox))
fil[[4]] <- c("Permutación exacta de etiquetas", "—", "—", paste0(if (!is.null(bA$perm)) bA$perm$n_rep else "n/d", " repartos; p mínimo = ", R$pmin_txt), fp(bA$p_perm))
fil[[5]] <- c("Bootstrap jerárquico (percentil)", if (!is.null(R$boot)) paste0("razón = ", fx(exp(median(R$boot)), 2)) else "n/d", if (!is.null(R$boot)) fci(R$boot_ci[1], R$boot_ci[2]) else "n/d",
              if (!is.null(R$boot)) paste0("P(razón > 1) = ", fx(R$boot_prob, 2)) else "", "—")
fil[[6]] <- c("Modelo mixto (árbol aleatorio)", if (!is.null(R$mix)) paste0("razón = ", fx(R$mix$razon, 2)) else "no disponible", if (!is.null(R$mix)) fci(R$mix$li, R$mix$ls) else "—",
              if (!is.null(R$mix)) paste0("t = ", fx(R$mix$t, 2), "; gl = ", fx(R$mix$df, 1)) else "", if (!is.null(R$mix)) fp(R$mix$p) else "—")
fil[[7]] <- c("ANOVA anidado (exposición vs. árbol)", "—", "—", if (!is.null(R$nested)) paste0("F(1; ", R$nested$an$Df[2], ") = ", fx(R$nested$Fe, 2)) else "n/d", if (!is.null(R$nested)) fp(R$nested$pe) else "n/d")
fil[[8]] <- c("Tamaño del efecto (g de Hedges, escala log)", paste0("g = ", fx(bA$g, 2)), fci(bA$g_li, bA$g_ls), "", "—")
tb <- as.data.frame(do.call(rbind, fil), stringsAsFactors = FALSE); names(tb) <- c("Método de análisis", "Estimación (sombra respecto de sol)", "IC 95 %", "Estadístico / detalle", "Valor de p")
cat(tcap("bateria", "Comparación sol–sombra con el árbol como unidad (análisis primario: áreas medidas)", paste0("Razones y diferencias son sombra respecto de sol; ", R$n_sol, " árboles de sol y ", R$n_som, " de sombra. El IC del bootstrap es percentil; los demás son <i>t</i> (Welch o Satterthwaite).")))

Tabla 7. Comparación sol–sombra con el árbol como unidad (análisis primario: áreas medidas)

tabla(tb, align = "lrrrr")

Método de análisis	Estimación (sombra respecto de sol)	IC 95 %	Estadístico / detalle	Valor de p
Welch con el promedio por árbol (escala log)	razón = 1,19	[0,61; 2,33]	gl = 2,8	0,448
Welch sobre área media por árbol (cm²)	dif. = 22,1 cm²	[-52,3; 96,4]		0,390
Wilcoxon (exacta)	—	—		0,700
Permutación exacta de etiquetas	—	—	20 repartos; p mínimo = 0,100	0,500
Bootstrap jerárquico (percentil)	razón = 1,20	[0,85; 1,62]	P(razón > 1) = 0,84	—
Modelo mixto (árbol aleatorio)	razón = 1,19	[0,68; 2,10]	t = 0,88; gl = 4,0	0,429
ANOVA anidado (exposición vs. árbol)	—	—	F(1; 4) = 0,77	0,429
Tamaño del efecto (g de Hedges, escala log)	g = 0,57	[-1,08; 2,22]		—

Nota. Razones y diferencias son sombra respecto de sol; 3 árboles de sol y 3 de sombra. El IC del bootstrap es percentil; los demás son t (Welch o Satterthwaite).

bt_txt <- if (!is.null(R$boot)) paste0("El bootstrap jerárquico solo dispone de ", R$boot_nuniq, " combinaciones distintas de árboles, por lo que su intervalo describe la inestabilidad del resultado más que una inferencia fiable.") else ""
R$txt_bat <- if (is.na(bA$p_welch)) "Con los árboles disponibles no es posible estimar un contraste inferencial." else paste0(
  "En promedio, las hojas de los árboles de sombra midieron ", fx(R$m_som, 1), " cm² y las de sol, ", fx(R$m_sol, 1), " cm² (diferencia = ", fx(R$dif_cm, 1), " cm²). En razón de tamaños sombra/sol, ", fx(bA$razon, 2), " (IC 95 %: ", fx(bA$li, 2), "–", fx(bA$ls, 2),
  "; ", fpp(bA$p_welch), "; tamaño del efecto *g* de Hedges = ", fx(bA$g, 2), "). ", R$frase_h1, " ",
  if (R$no_alcanza) paste0("Además, con ", R$n_sol, " y ", R$n_som, " árboles solo hay ", bA$perm$n_rep, " repartos posibles de las etiquetas sol/sombra, de modo que el menor valor de *p* que se podría obtener es ", R$pmin_txt, ": **este diseño no puede alcanzar significación al 5 %, sean cuales sean los datos**. ") else
    paste0("La prueba de permutación exacta da ", fpp(bA$p_perm), ". "), bt_txt)

En promedio, las hojas de los árboles de sombra midieron 117,3 cm² y las de sol, 95,3 cm² (diferencia = 22,1 cm²). En razón de tamaños sombra/sol, 1,19 (IC 95 %: 0,61–2,33; p = 0,448; tamaño del efecto g de Hedges = 0,57). La dirección es la de H2 (hojas algo mayores en sombra), pero el intervalo de confianza incluye la ausencia de efecto: no hay evidencia suficiente ni a favor de H1 ni a favor de H2. Además, con 3 y 3 árboles solo hay 20 repartos posibles de las etiquetas sol/sombra, de modo que el menor valor de p que se podría obtener es 0,100: este diseño no puede alcanzar significación al 5 %, sean cuales sean los datos. El bootstrap jerárquico solo dispone de 100 combinaciones distintas de árboles, por lo que su intervalo describe la inestabilidad del resultado más que una inferencia fiable.

pe <- bA$perm
if (!is.null(pe)) {
  dfp <- data.frame(r = exp(pe$d)); dfp$k <- round(dfp$r, 4); dfp$y <- ave(dfp$k, dfp$k, FUN = seq_along)
  ggplot(dfp, aes(r, y)) + geom_vline(xintercept = 1, linetype = 3) + geom_vline(xintercept = exp(pe$obs), colour = COL["sombra"], linewidth = 1) +
    geom_point(size = 4.2, shape = 21, fill = "grey85", colour = "grey30") +
    annotate("text", x = exp(pe$obs), y = max(dfp$y) + .7, label = "observado", colour = COL["sombra"], size = 3.3, hjust = -.1) +
    scale_x_log10() + scale_y_continuous(expand = expansion(add = c(.5, 1))) +
    labs(x = "Razón de medias geométricas sombra/sol (escala log)", y = "Repartos") + theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())
}

Fig. 11 | Distribución de permutación exacta de la razón sombra/sol. Cada punto es un reparto posible de las etiquetas sol y sombra entre los árboles analizados; la línea azul es el reparto observado y la línea punteada, la ausencia de efecto (razón = 1). Si el factor no importara, todos los repartos serían igualmente probables.

fr <- data.frame(label = character(), est = numeric(), lo = numeric(), hi = numeric(), tipo = character(), stringsAsFactors = FALSE)
addf <- function(l, e, lo, hi, t) if (!is.null(e) && length(e) == 1 && !is.na(e)) fr <<- rbind(fr, data.frame(label = l, est = e, lo = lo, hi = hi, tipo = t, stringsAsFactors = FALSE))
addf("A · Welch sobre promedios de árbol", bA$razon, bA$li, bA$ls, "correcto")
if (!is.null(R$mix)) addf("A · Modelo mixto (árbol aleatorio)", R$mix$razon, R$mix$li, R$mix$ls, "correcto")
if (!is.null(R$boot)) addf("A · Bootstrap jerárquico", exp(median(R$boot)), R$boot_ci[1], R$boot_ci[2], "correcto")
addf("B · Marco de todas las hojas", bB$razon, bB$li, bB$ls, "correcto")
if (R$n_imp > 0) addf("C · Medidas + completadas", bC$razon, bC$li, bC$ls, "correcto")
if (!is.null(R$pseudo)) addf("Hojas como réplicas (incorrecto)", R$pseudo$razon, R$pseudo$li, R$pseudo$ls, "incorrecto")
if (nrow(fr) > 0) {
  fr$label <- factor(fr$label, levels = rev(fr$label))
  ggplot(fr, aes(est, label, colour = tipo)) + geom_vline(xintercept = 1, linetype = 2, colour = "grey50") +
    geom_segment(aes(x = lo, xend = hi, yend = label), linewidth = 1, na.rm = TRUE) + geom_point(size = 3.4) +
    scale_colour_manual(values = c(correcto = "#0072B2", incorrecto = "#D55E00"), guide = "none") +
    scale_x_log10(breaks = c(.25, .5, 1, 2, 4, 8)) + labs(x = "Razón de áreas sombra/sol (escala log)", y = NULL)
}

Fig. 12 | La razón sombra/sol según el método y la base de datos. Puntos: estimaciones; barras: intervalos de confianza de 95 % (escala logarítmica). A, áreas medidas, con el árbol como unidad; B, área del marco de las hojas; C (solo si hubo áreas pendientes), áreas medidas más las pendientes completadas con el modelo del marco. En rojo, el análisis con hojas como réplicas (incorrecto). Una razón de 1 significa ausencia de efecto.

2.6 Modelo mixto y ANOVA anidado

El modelo mixto compara la exposición usando todas las hojas, pero respetando que cada hoja pertenece a un árbol: el tamaño de la hoja depende de la exposición (efecto fijo) y de un efecto propio de cada árbol (efecto aleatorio). Es el equivalente moderno del ANOVA anidado y, con datos desbalanceados (distinto número de hojas por árbol, como aquí), es preferible.

if (!is.null(R$mix)) {
  mx <- R$mix
  t1 <- data.frame(
    Medida = c("Razón de áreas sombra/sol", "Variación explicada por la exposición", "Variación debida a diferencias entre árboles", "Variación entre hojas del mismo árbol", "¿Difieren los árboles entre sí?"),
    Valor = c(paste0(fx(mx$razon, 2), " ", fci(mx$li, mx$ls), "; ", gsub("\\*", "", fpp(mx$p))),
              paste0(fx(100 * mx$r2m, 0), " %"), paste0(fx(100 * (mx$r2c - mx$r2m), 0), " %"), paste0(fx(100 * (1 - mx$r2c), 0), " %"),
              gsub("\\*", "", fpp(mx$p_ranef))),
    `Qué significa` = c("Cuántas veces es mayor (> 1) o menor (< 1) la hoja de sombra respecto de la de sol; 1 = sin diferencia. Entre corchetes, IC 95 %.",
                        "Parte de la variación total del tamaño de las hojas que se explica solo por sol o sombra.",
                        "Parte de la variación total debida a que unos árboles tienen hojas más grandes que otros, además de lo que explica la exposición.",
                        "Parte de la variación total que corresponde a diferencias entre hojas de un mismo árbol.",
                        paste0("Prueba de que la variación entre árboles es mayor que cero.", ifelse(mx$singular, " Ajuste singular: la variación entre árboles estimada es ≈ 0.", ""))),
    check.names = FALSE, stringsAsFactors = FALSE)
  cat(tcap("mixto", "Modelo mixto: razón sombra/sol y reparto de la variación del tamaño de la hoja", "Estimado con todas las hojas y el árbol como efecto aleatorio (REML; gl de Satterthwaite). El modelo se ajusta en escala logarítmica, pero aquí la razón se expresa en la escala original. Los tres porcentajes suman 100 % (salvo redondeo)."))
  tabla(t1, align = "lll")
} else cat("<p><i>Modelo mixto no disponible (faltan paquetes o árboles).</i></p>")

Tabla 8. Modelo mixto: razón sombra/sol y reparto de la variación del tamaño de la hoja

Medida	Valor	Qué significa
Razón de áreas sombra/sol	1,19 [0,68; 2,10]; p = 0,429	Cuántas veces es mayor (> 1) o menor (< 1) la hoja de sombra respecto de la de sol; 1 = sin diferencia. Entre corchetes, IC 95 %.
Variación explicada por la exposición	9 %	Parte de la variación total del tamaño de las hojas que se explica solo por sol o sombra.
Variación debida a diferencias entre árboles	63 %	Parte de la variación total debida a que unos árboles tienen hojas más grandes que otros, además de lo que explica la exposición.
Variación entre hojas del mismo árbol	29 %	Parte de la variación total que corresponde a diferencias entre hojas de un mismo árbol.
¿Difieren los árboles entre sí?	p < 0,001	Prueba de que la variación entre árboles es mayor que cero.

Nota. Estimado con todas las hojas y el árbol como efecto aleatorio (REML; gl de Satterthwaite). El modelo se ajusta en escala logarítmica, pero aquí la razón se expresa en la escala original. Los tres porcentajes suman 100 % (salvo redondeo).

if (!is.null(R$nested)) {
  an <- R$nested$an
  t2 <- data.frame(`Fuente de variación` = c("Exposición", "Árbol (dentro de exposición)", "Hojas (residual)"), `gl` = an$Df, `Suma de cuadrados` = fx(an$`Sum Sq`, 3), `Cuadrado medio` = fx(an$`Mean Sq`, 3),
                   `Se prueba contra` = c("CM de árbol", "CM de hojas", ""), `F` = c(fx(R$nested$Fe, 2), fx(R$nested$Fa, 2), ""), `Valor de p` = c(fp(R$nested$pe), fp(R$nested$pa), ""), check.names = FALSE, stringsAsFactors = FALSE)
  cat(tcap("anova", "ANOVA anidado: hojas dentro de árboles dentro de exposición", "Análisis en escala logarítmica. La exposición se prueba contra el cuadrado medio de árbol, que es su error experimental correcto. Con número desigual de hojas por árbol la partición secuencial es aproximada; el modelo mixto es la referencia."))
  tabla(t2, align = "lrrrlrr")
  R$txt_nested <- paste0("El ANOVA anidado da el mismo mensaje: la exposición ", ifelse(R$nested$pe < 0.05, "tiene un efecto detectable", "no tiene un efecto detectable"), " (*F*(1; ", an$Df[2], ") = ", fx(R$nested$Fe, 2), "; ", fpp(R$nested$pe), ") y los árboles de una misma exposición ",
                         ifelse(R$nested$pa < 0.05, "sí difieren entre sí", "no difieren de forma detectable"), " (", fpp(R$nested$pa), "). ")
} else { cat("<p><i>ANOVA anidado no disponible (se requieren al menos 3 árboles y las dos exposiciones).</i></p>"); R$txt_nested <- "" }

Tabla 9. ANOVA anidado: hojas dentro de árboles dentro de exposición

Fuente de variación	gl	Suma de cuadrados	Cuadrado medio	Se prueba contra	F	Valor de p
Exposición	1	0,476	0,476	CM de árbol	0,77	0,429
Árbol (dentro de exposición)	4	2,464	0,616	CM de hojas	23,02	< 0,001
Hojas (residual)	54	1,445	0,027

Nota. Análisis en escala logarítmica. La exposición se prueba contra el cuadrado medio de árbol, que es su error experimental correcto. Con número desigual de hojas por árbol la partición secuencial es aproximada; el modelo mixto es la referencia.

R$txt_mix <- if (!is.null(R$mix)) paste0("El modelo mixto estima una razón sombra/sol de ", fx(R$mix$razon, 2), " (IC 95 %: ", fx(R$mix$li, 2), "–", fx(R$mix$ls, 2), "; ", fpp(R$mix$p),
  "). La exposición explica solo el ", fx(100 * R$mix$r2m, 0), " % de la variación del tamaño de las hojas; las diferencias entre árboles, el ", fx(100 * (R$mix$r2c - R$mix$r2m), 0), " %; y el ", fx(100 * (1 - R$mix$r2c), 0), " % restante corresponde a diferencias entre hojas del mismo árbol (", tref("mixto"), "). ") else ""

El modelo mixto estima una razón sombra/sol de 1,19 (IC 95 %: 0,68–2,10; p = 0,429). La exposición explica solo el 9 % de la variación del tamaño de las hojas; las diferencias entre árboles, el 63 %; y el 29 % restante corresponde a diferencias entre hojas del mismo árbol (Tabla 8). El ANOVA anidado da el mismo mensaje: la exposición no tiene un efecto detectable (F(1; 4) = 0,77; p = 0,429) y los árboles de una misma exposición sí difieren entre sí (p < 0,001). Como la exposición se asignó a árboles y no a hojas, el contraste depende del número de árboles; por eso los intervalos son anchos aunque haya muchas hojas. A continuación se revisan los supuestos del modelo (Fig. 13).

mm <- NULL
if (!is.null(R$mix)) mm <- R$mix$m else if (exists("m_nest")) mm <- m_nest
if (!is.null(mm)) {
  dd3 <- data.frame(e = as.numeric(resid(mm)), f = as.numeric(fitted(mm)), arbol = limA$arbol, expo = limA$exposicion)
  p1 <- ggplot(dd3, aes(f, e)) + geom_hline(yintercept = 0, linetype = 2) + geom_point(aes(fill = expo), shape = 21, size = 2.2, colour = "grey20", alpha = .85) +
    scale_fill_manual(values = COL, guide = "none") + labs(x = "Valor ajustado", y = "Residuo")
  p2 <- ggplot(dd3, aes(sample = e)) + stat_qq_line(colour = "grey40") + stat_qq(size = 1.8, alpha = .8) + labs(x = "Cuantiles teóricos", y = "Cuantiles de los residuos")
  p1 + p2 + plot_annotation(tag_levels = "a")
}

Fig. 13 | Diagnóstico del modelo. a, Residuos frente a valores ajustados: no debería verse ningún patrón. b, Gráfico cuantil–cuantil de los residuos: los puntos deberían seguir la línea. Los residuos del modelo mixto son los condicionales.

En el diagnóstico del modelo (Fig. 13) los residuos son compatibles con una distribución normal (Shapiro–Wilk, p = 0,408)²⁰ y la variación es similar entre árboles (Fligner–Killeen, p = 0,814)²¹. Las pruebas que no dependen de esos supuestos (ANOVA de Welch y Kruskal–Wallis)^12,22 llevan a la misma conclusión que el ANOVA (p < 0,001 y p < 0,001, respectivamente). Con pocas hojas por árbol estas pruebas detectan poco, por eso se interpreta siempre el gráfico.

2.7 Diferencias entre árboles: ANOVA y comparaciones múltiples de Tukey

Con 6 árboles hay 15 comparaciones por pares. Hacer tantas pruebas sueltas al 5 % elevaría la probabilidad de algún falso positivo a ≈ 54 %, por lo que se usó la prueba HSD de Tukey,²³ que controla el error del conjunto, contrastada con pruebas de Welch por pares con ajuste de Holm.²⁴ Los árboles difieren en 9 de 15 pares (Tabla 10, Fig. 14), y en 3 de 6 pares de árboles de la misma exposición. Es decir, dos árboles con la misma exposición pueden diferir tanto como uno de sol y uno de sombra: esa variación entre árboles es el ruido frente al cual debe competir el efecto de la exposición.

if (!is.null(R$tk)) {
  tk <- R$tk
  t3 <- data.frame(`Comparación (A / B)` = tk$comparacion, `Misma exposición` = ifelse(tk$misma, "sí", "no"), `Razón A/B` = fx(tk$razon, 2), `IC 95 % (Tukey)` = fci(tk$li, tk$ls),
                   `p ajustado (Tukey)` = fp(tk$p), `p ajustado (Welch + Holm)` = fp(tk$p_welch_holm), `Difieren (5 %)` = ifelse(tk$p < 0.05, "sí", "no"), check.names = FALSE, stringsAsFactors = FALSE)
  cat(tcap("tukey", "Comparaciones por pares entre árboles", "Escala logarítmica, mostradas como razones de áreas (A respecto de B)."))
  tabla(t3, align = "lcrrrrc")
}

Tabla 10. Comparaciones por pares entre árboles

Comparación (A / B)	Misma exposición	Razón A/B	IC 95 % (Tukey)	p ajustado (Tukey)	p ajustado (Welch + Holm)	Difieren (5 %)
T6 / T1	sí	1,86	[1,50; 2,31]	< 0,001	< 0,001	sí
T6 / T3	no	1,83	[1,47; 2,27]	< 0,001	< 0,001	sí
T6 / T5	no	1,55	[1,25; 1,92]	< 0,001	< 0,001	sí
T4 / T1	sí	1,54	[1,24; 1,91]	< 0,001	< 0,001	sí
T4 / T3	no	1,51	[1,22; 1,87]	< 0,001	< 0,001	sí
T2 / T1	no	1,37	[1,10; 1,70]	0,001	0,006	sí
T6 / T2	no	1,36	[1,10; 1,69]	0,001	0,002	sí
T3 / T2	sí	0,74	[0,60; 0,92]	0,002	< 0,001	sí
T5 / T4	no	0,78	[0,63; 0,97]	0,017	0,037	sí
T6 / T4	sí	1,21	[0,97; 1,50]	0,115	0,129	no
T5 / T1	no	1,20	[0,97; 1,49]	0,131	0,143	no
T5 / T3	sí	1,18	[0,95; 1,47]	0,221	0,127	no
T5 / T2	sí	0,88	[0,71; 1,09]	0,507	0,206	no
T4 / T2	no	1,12	[0,91; 1,40]	0,597	0,228	no
T3 / T1	no	1,02	[0,82; 1,27]	1,000	0,802	no

Nota. Escala logarítmica, mostradas como razones de áreas (A respecto de B).

if (!is.null(R$tk)) {
  tk <- R$tk; tk$y <- factor(tk$comparacion, levels = rev(tk$comparacion)); tk$sig <- ifelse(tk$p < 0.05, "sí", "no")
  ggplot(tk, aes(razon, y, colour = sig)) + geom_vline(xintercept = 1, linetype = 2, colour = "grey50") +
    geom_segment(aes(x = li, xend = ls, yend = y), linewidth = .9) +
    geom_point(aes(shape = misma), size = 3.2, fill = "white", stroke = 1) +
    scale_shape_manual(values = c(`TRUE` = 16, `FALSE` = 21), labels = c(`TRUE` = "misma exposición", `FALSE` = "exposición distinta"), name = NULL) +
    scale_colour_manual(values = c("sí" = "#D55E00", "no" = "grey45"), guide = "none") + scale_x_log10() + labs(x = "Razón de áreas A/B (escala log)", y = NULL)
}

Fig. 14 | Razón de áreas entre pares de árboles. Razón con su intervalo HSD de Tukey (escala log). Si el intervalo cruza 1, no hay diferencia detectable. Círculos rellenos: árboles de la misma exposición; círculos vacíos: exposiciones distintas. Rojo: diferencia detectable al 5 %.

2.8 Robustez frente a la base de datos y a árboles individuales

Todas las hojas tienen área medida, por lo que no hay nada que completar. El resultado primario (A) se contrasta con (B), el análisis del área del marco, que usa solo los lados medidos con regla y es independiente del script de imagen; y se repite el contraste omitiendo un árbol a la vez.

mk <- function(lab, b, extra = "") c(lab, paste0(b$n_sol, " / ", b$n_som), fx(b$razon, 2), fci(b$li, b$ls), fp(b$p_welch), fp(b$p_wilcox), fp(b$p_perm))
fs <- list(mk("A · Áreas medidas", bA), mk("B · Marco de todas las hojas", bB))
if (R$n_imp > 0) fs[[3]] <- mk("C · Medidas + completadas", bC)
if (!is.null(R$sim)) fs[[length(fs) + 1]] <- c("C · incertidumbre del completado (mediana y rango 2,5–97,5 %)", "—", fx(R$sim_q[2], 2), fci(R$sim_q[1], R$sim_q[3]), "—", "—", "—")
if (!is.null(R$jk)) fs[[length(fs) + 1]] <- c("A · dejando un árbol fuera (rango)", "—", paste0(fx(R$jk_rango[1], 2), "–", fx(R$jk_rango[2], 2)), "—", "—", "—", "—")
ts <- as.data.frame(do.call(rbind, fs), stringsAsFactors = FALSE)
names(ts) <- c("Base de datos", "n árboles (sol / sombra)", "Razón sombra/sol", "IC 95 %", "p Welch", "p Wilcoxon", "p permutación")
cat(tcap("sens", "Sensibilidad del contraste sol–sombra a la base de datos y a árboles individuales", "Welch, Wilcoxon exacta y permutación exacta sobre promedios de árbol (escala log para las razones)."))

Tabla 11. Sensibilidad del contraste sol–sombra a la base de datos y a árboles individuales

tabla(ts, align = "lrrrrrr")

Base de datos	n árboles (sol / sombra)	Razón sombra/sol	IC 95 %	p Welch	p Wilcoxon	p permutación
A · Áreas medidas	3 / 3	1,19	[0,61; 2,33]	0,448	0,700	0,500
B · Marco de todas las hojas	3 / 3	1,24	[0,67; 2,27]	0,350	0,400	0,300
A · dejando un árbol fuera (rango)	—	1,04–1,42	—	—	—	—

Nota. Welch, Wilcoxon exacta y permutación exacta sobre promedios de árbol (escala log para las razones).

dirs <- c(bA$razon, bB$razon, if (R$n_imp > 0) bC$razon); dirs <- dirs[!is.na(dirs)]
R$concord <- length(dirs) >= 2 && (all(dirs > 1) || all(dirs < 1))
R$txt_sens <- paste0("Las bases de datos analizadas ", if (R$concord) paste0("apuntan en la misma dirección (", ifelse(all(dirs > 1), "hojas mayores en sombra", "hojas mayores en sol"), ")") else "**no coinciden** en la dirección del efecto",
  ". Clasificación: A, ", R$conc_A, "; B, ", R$conc_B, if (R$n_imp > 0) paste0("; C, ", R$conc_C) else "", ". ",
  if (!is.null(R$sim)) paste0("Completar las áreas pendientes añade poca incertidumbre (", fx(R$sim_q[1], 2), "–", fx(R$sim_q[3], 2), ") frente a la que impone el número de árboles. ") else "",
  if (!is.na(R$jk_rango[1])) paste0("Al quitar un árbol a la vez, la razón varía entre ", fx(R$jk_rango[1], 2), " y ", fx(R$jk_rango[2], 2),
    if (R$jk_cruza) paste0(": **el resultado cambia de signo según el árbol que se omita**, es decir, depende de árboles concretos (", fref("jack"), ").") else paste0(": la dirección se mantiene (", fref("jack"), ").")) else "")

Las bases de datos analizadas apuntan en la misma dirección (hojas mayores en sombra). Clasificación: A, no concluyente (el intervalo incluye 1); B, no concluyente (el intervalo incluye 1). Al quitar un árbol a la vez, la razón varía entre 1,04 y 1,42: la dirección se mantiene (Fig. 16).

if (!is.null(R$sim)) {
  ggplot(data.frame(r = exp(R$sim)), aes(r)) + geom_histogram(bins = 40, fill = "grey80", colour = "white") +
    geom_vline(xintercept = bC$razon, colour = COL["sombra"], linewidth = 1) + geom_vline(xintercept = bA$razon, colour = "black", linetype = 2) + geom_vline(xintercept = 1, linetype = 3, colour = "grey50") +
    labs(x = "Razón sombra/sol", y = "Simulaciones")
} else ggplot() + theme_void() + annotate("text", x = 0, y = 0, label = "No hay áreas pendientes que completar")

Fig. 15 | Incertidumbre propagada del completado de las áreas pendientes. Distribución de la razón sombra/sol en las simulaciones que reemplazan cada área pendiente por una predicción del modelo marco → área más ruido residual. Línea azul: estimación con el completado determinista (C); línea negra: análisis con solo áreas medidas (A).

jj <- R$jk[!is.na(R$jk$razon), ]
if (nrow(jj) > 0) ggplot(jj, aes(razon, reorder(omitido, razon))) + geom_vline(xintercept = 1, linetype = 3) + geom_vline(xintercept = bA$razon, linetype = 2, colour = "grey40") +
  geom_segment(aes(x = bA$razon, xend = razon, yend = omitido), colour = "grey60") + geom_point(aes(fill = exposicion), shape = 21, size = 4, colour = "grey15") +
  scale_fill_manual(values = COL, name = "Exposición del árbol omitido") + labs(x = "Razón sombra/sol sin ese árbol", y = "Árbol omitido")

Fig. 16 | Influencia de cada árbol (omisión de un árbol a la vez). Razón sombra/sol al excluir cada árbol. Línea discontinua: estimación con todos los árboles; línea punteada: ausencia de efecto. Un árbol cuya omisión cambia mucho la estimación es un árbol influyente.

2.9 Potencia y tamaño de muestra

Con la desviación estándar entre árboles observada (en escala logarítmica; σ = 0,25, IC 95 %: 0,15–0,71, con solo 4 grados de libertad), se calculó la razón mínima detectable con 80 % de potencia y α = 0,05 según el número de árboles por exposición (Fig. 17).

if (!is.null(R$pot)) {
  p <- R$pot
  lo <- vapply(p$ns, function(n) exp(power.t.test(n = n, power = .8, sd = p$sd_ic[1])$delta), numeric(1))
  hi <- vapply(p$ns, function(n) exp(power.t.test(n = n, power = .8, sd = p$sd_ic[2])$delta), numeric(1))
  dfp <- data.frame(n = p$ns, mde = p$mde, lo = lo, hi = hi)
  ggplot(dfp, aes(n, mde)) + geom_ribbon(aes(ymin = lo, ymax = hi), fill = "grey87") + geom_line(linewidth = .9) +
    geom_hline(yintercept = 1, linetype = 3) + geom_hline(yintercept = bA$razon, colour = COL["sombra"], linetype = 2) +
    geom_vline(xintercept = min(R$n_sol, R$n_som), colour = "grey40", linetype = 2) +
    scale_y_log10(breaks = c(1, 1.25, 1.5, 2, 3, 5)) + coord_cartesian(ylim = c(1, 5)) +
    labs(x = "Árboles por exposición", y = "Razón mínima detectable (sombra/sol)")
}

Fig. 17 | Diferencia mínima detectable en función del número de árboles. Razón sombra/sol detectable con 80 % de potencia (prueba t de dos muestras sobre promedios de árbol; banda: incertidumbre de la desviación estándar entre árboles estimada con pocos grados de libertad). Línea vertical: árboles por exposición en el análisis A; línea azul discontinua: razón observada.

Con 3 árboles por exposición, la razón mínima detectable es ≈ 2,14, es decir, solo diferencias muy grandes. Para detectar razones de 1,2; 1,3; 1,5 y 2,0 se necesitarían aproximadamente 31, 16, 7, 4 árboles por exposición, respectivamente (con la desviación entre árboles aquí estimada, que es incierta). La conclusión práctica coincide con la de la partición de varianza: conviene medir más árboles antes que más hojas por árbol.

2.10 Forma de la hoja y contexto espacial

dfa <- datos[!is.na(datos$aspecto), ]; dfa$arbol_f <- factor(dfa$arbol, levels = comp$arbol)
pa <- ggplot(dfa, aes(arbol_f, aspecto, fill = exposicion)) + geom_boxplot(width = .55, outlier.shape = NA, alpha = .5, colour = "grey25", linewidth = .4) +
  geom_jitter(width = .12, height = 0, size = 1.4, alpha = .7) + scale_fill_manual(values = COL, name = "Exposición") + labs(x = NULL, y = "Lado mayor / lado menor")
pbd <- merge(desc_all[, c("arbol", "exposicion", "geom")], geo[, c("arbol", "y_m")], by = "arbol")
pb <- ggplot(pbd, aes(y_m, geom, fill = exposicion)) + geom_point(shape = 21, size = 4, colour = "grey15") + geom_text(aes(label = arbol), nudge_y = diff(range(pbd$geom)) * .08 + .5, size = 3) +
  scale_fill_manual(values = COL, guide = "none") + labs(x = "Posición norte–sur respecto del centroide (m)", y = "Media geométrica del área (cm²)")
if (nrow(pbd) >= 4) { ct <- suppressWarnings(cor.test(pbd$y_m, pbd$geom, method = "spearman")); R$sp_rho <- unname(ct$estimate); R$sp_p <- ct$p.value }
pa + pb + plot_annotation(tag_levels = "a")

Fig. 18 | Relación de aspecto del marco y posición espacial de los árboles. a, Relación de aspecto (lado mayor/lado menor del marco) por árbol, como indicador burdo de la forma. b, Media geométrica del área de cada árbol frente a su posición norte–sur; un patrón espacial podría confundirse con la exposición.

La relación de aspecto del marco fue 1,11 en promedio (rango 1,00–1,33), propia de láminas bilobuladas casi tan anchas como largas; entre exposiciones la razón de aspecto fue 0,96 (IC 95 %: 0,87–1,07; p = 0,305), sin indicio de cambio de forma. El árbol más alejado del centroide (T6, a 175 m) hace que la correlación de Spearman entre la posición norte–sur y el tamaño sea ρ = 0,71 (p = 0,136, n = 6, solo exploratoria). Con tan pocos árboles, la exposición y la ubicación no pueden separarse.

3 Discusión

Con el árbol como unidad experimental, las hojas de los árboles de sombra fueron 19 % mayores que las de sol en promedio geométrico (razón = 1,19; IC 95 %: 0,61–2,33; p = 0,448). La dirección es la de H2 (hojas algo mayores en sombra), pero el intervalo de confianza incluye la ausencia de efecto: no hay evidencia suficiente ni a favor de H1 ni a favor de H2. Más informativo que el contraste es el reparto de la variación: el 68 % de la variación del tamaño de las hojas está entre árboles (CCI = 0,68), es decir, el árbol es la fuente de variación dominante y la exposición, una de varias posibles causas de ella. Con 3 árboles por exposición, el diseño solo habría detectado razones de ≈ 2,14 o mayores con 80 % de potencia. Conviene leer estos números con las cautelas que recomienda la literatura estadística: un intervalo de confianza que incluye la ausencia de efecto describe imprecisión, no demuestra que no haya efecto, y la diferencia entre un resultado «significativo» y otro «no significativo» no es en sí misma significativa.^25–27 Por eso este informe prioriza las estimaciones con sus intervalos y la coherencia entre análisis sobre el valor de p de una sola prueba.

3.1 Contraste con la literatura

La Fig. 19 confronta las predicciones de ambas hipótesis con lo observado. H1 se apoya en que una mayor radiación aporta más energía a la fotosíntesis y en que, a escala global, las hojas grandes predominan en ambientes cálidos, húmedos y soleados.⁴ H2 se apoya en la compensación en sombra: con poca luz las plantas despliegan rasgos que optimizan la captura de luz y modifican la masa por área y la asignación de superficie foliar.^28,29 A favor de H2 también actúa la limitación térmica e hídrica a pleno sol: una lámina mayor engrosa la capa límite y dificulta disipar calor y agua.^7,8 Cuál domina depende del balance entre luz, temperatura y agua en cada micrositio, y por eso la dirección del efecto sobre el área de una hoja debe contrastarse caso por caso. Además, el área de una hoja no es una medida de producción: no se midieron fotosíntesis ni biomasa, y el aprovechamiento de la luz depende de cómo se organiza todo el follaje.

ref_a <- paste0("[", cn("wright2017"), "]")
ref_b <- paste0("[", cn("poorter2009", "poorter2019", "valladares2008", "givnish1988"), "]")
ref_c <- paste0("[", cn("parkhurst1972", "michaletz2015"), "]")
capa2 <- c(
  caja(12, 59, 24, 12, "Alta irradiancia\n(pleno sol)", fill = adjustcolor(COL["sol"], .3), face = "bold", size = 2.6),
  caja(50, 59, 36, 13, "Más energía para la fotosíntesis;\nhojas grandes en ambientes\ncálidos, húmedos y soleados", size = 2.6),
  caja(86, 59, 28, 12, "H1: lámina mayor\na pleno sol", fill = adjustcolor(COL["sol"], .15), size = 2.6, face = "bold"),
  caja(12, 38, 24, 12, "Baja irradiancia\n(sombra)", fill = adjustcolor(COL["sombra"], .3), face = "bold", size = 2.6),
  caja(50, 38, 36, 13, "Compensación morfológica:\nmás superficie para captar luz,\nmenor masa por unidad de área", size = 2.6),
  caja(86, 38, 28, 12, "H2: lámina mayor\nen sombra", fill = adjustcolor(COL["sombra"], .15), size = 2.6, face = "bold"),
  caja(12, 17, 24, 12, "Calor excesivo o\nfalta de agua (sol)", fill = adjustcolor(COL["sol"], .3), face = "bold", size = 2.6),
  caja(50, 17, 36, 13, "Capa límite más gruesa;\nmás pérdida de agua\ny dificultad para disipar calor", size = 2.6),
  caja(86, 17, 28, 12, "Limitación: lámina\nmenor a pleno sol", fill = adjustcolor(COL["sol"], .15), size = 2.6, face = "bold"),
  list(flecha(24.4, 59, 31.6, 59), flecha(68.4, 59, 71.6, 59), flecha(24.4, 38, 31.6, 38), flecha(68.4, 38, 71.6, 38), flecha(24.4, 17, 31.6, 17), flecha(68.4, 17, 71.6, 17),
       annotate("text", x = 50, y = 50, label = ref_a, size = 2.8, colour = "grey30"), annotate("text", x = 50, y = 29, label = ref_b, size = 2.8, colour = "grey30"),
       annotate("text", x = 50, y = 8.5, label = ref_c, size = 2.8, colour = "grey30")),
  caja(50, 1, 96, 7, paste0("Observado (A): razón sombra/sol = ", fx(bA$razon, 2), " [", fx(bA$li, 2), "–", fx(bA$ls, 2), "]\n→ ", R$conc_A), fill = "#f1f3f4", face = "bold", size = 2.7))
pa <- ggplot() + capa2 + coord_cartesian(xlim = c(0, 100), ylim = c(-3, 66), clip = "off") + theme_void()
pb <- ggplot() + theme_void()
fb <- fr[fr$tipo == "correcto" & grepl("^(A · Welch|B ·|C ·)", as.character(fr$label)), ]
if (nrow(fb) > 0) {
  xl <- range(c(fb$lo, fb$hi, 0.5, 2), na.rm = TRUE)
  pb <- ggplot(fb, aes(est, label)) +
    annotate("rect", xmin = 1e-3, xmax = 1, ymin = -Inf, ymax = Inf, fill = COL["sol"], alpha = .14) +
    annotate("rect", xmin = 1, xmax = 1e3, ymin = -Inf, ymax = Inf, fill = COL["sombra"], alpha = .10) +
    geom_vline(xintercept = 1, linetype = 2, colour = "grey40") +
    geom_segment(aes(x = lo, xend = hi, yend = label), linewidth = 1, na.rm = TRUE) + geom_point(size = 3.6, shape = 21, fill = "white", stroke = 1.1) +
    annotate("text", x = exp(mean(log(c(xl[1], 1)))), y = nrow(fb) + .45, label = "Región de H1 (sol > sombra)", size = 3, colour = "#a06a00") +
    annotate("text", x = exp(mean(log(c(1, xl[2])))), y = nrow(fb) + .45, label = "Región de H2 (sombra > sol)", size = 3, colour = "#005a8c") +
    scale_x_log10(breaks = c(.25, .5, 1, 2, 4, 8)) + coord_cartesian(xlim = xl, ylim = c(.5, nrow(fb) + .8)) + labs(x = "Razón de áreas sombra/sol (escala log)", y = NULL)
}
pa / pb + plot_layout(heights = c(1.45, 1)) + plot_annotation(tag_levels = "a")

Fig. 19 | Predicciones de la literatura frente a lo observado. a, Rutas causales que plantea la teoría para el área de una hoja individual; los números entre corchetes remiten a las referencias. b, Razón sombra/sol observada con tres bases de datos (barras: IC 95 %). La zona ocre es la región predicha por H1 (hojas mayores a pleno sol); la zona azul, la de H2 (hojas mayores en sombra).

tl <- data.frame(
  Predicción = c("Más radiación y agua suficiente favorecen láminas mayores a pleno sol (H1)", "En sombra, la compensación morfológica favorece láminas mayores (H2)", "El calor excesivo y el déficit hídrico limitan el tamaño a pleno sol", "La luz modifica la masa por área y la asignación foliar", "La variación entre individuos es grande y no puede ignorarse al replicar"),
  Fuentes = c(paste0("Ref. ", cn("wright2017")), paste0("Refs. ", cn("valladares2008", "givnish1988", "poorter2019")), paste0("Refs. ", cn("parkhurst1972", "michaletz2015")), paste0("Refs. ", cn("poorter2009", "poorter2019")), paste0("Ref. ", cn("hurlbert1984"))),
  `Este estudio` = c(paste0("razón ", fx(bA$razon, 2), " (", fx(bA$li, 2), "–", fx(bA$ls, 2), ")"), paste0("razón ", fx(bA$razon, 2), " (", fx(bA$li, 2), "–", fx(bA$ls, 2), ")"),
                     "no separable: no se midieron temperatura ni estado hídrico", "no medida (solo área de la lámina)", if (!is.null(R$icc)) paste0("CCI = ", fx(R$icc$icc, 2)) else "n/d"),
  Valoración = c(R$val_h1, R$val_alt, "no evaluable con estos datos", "no evaluable con estos datos",
                 if (!is.null(R$icc)) ifelse(R$icc$icc > 0.3, "consistente: la varianza entre árboles es sustancial", "no evidente en estos datos") else "n/d"),
  check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("lit", "Predicciones derivadas de la literatura y su contraste con los datos", "«No evaluable» significa que la variable que distingue la hipótesis no se registró."))

Tabla 12. Predicciones derivadas de la literatura y su contraste con los datos

tabla(tl, align = "llll")

Predicción	Fuentes	Este estudio	Valoración
Más radiación y agua suficiente favorecen láminas mayores a pleno sol (H1)	Ref. 4	razón 1,19 (0,61–2,33)	no concluyente (el IC incluye 1)
En sombra, la compensación morfológica favorece láminas mayores (H2)	Refs. 5,6,29	razón 1,19 (0,61–2,33)	no concluyente (el IC incluye 1)
El calor excesivo y el déficit hídrico limitan el tamaño a pleno sol	Refs. 7,8	no separable: no se midieron temperatura ni estado hídrico	no evaluable con estos datos
La luz modifica la masa por área y la asignación foliar	Refs. 28,29	no medida (solo área de la lámina)	no evaluable con estos datos
La variación entre individuos es grande y no puede ignorarse al replicar	Ref. 11	CCI = 0,68	consistente: la varianza entre árboles es sustancial

Nota. «No evaluable» significa que la variable que distingue la hipótesis no se registró.

3.2 Qué es un resultado y qué es una hipótesis

Siguiendo la distinción que pide la guía, con unos pocos árboles conviene separar lo que los datos establecen de lo que solo sugieren:

Resultados (descriptivos, bien sustentados): la distribución del área por árbol (Tabla 4); la regularidad del cociente área/marco y su utilidad como control de calidad (El marco explicó el 96 % de la variación del log-área de las hojas medidas, lo que permitió un análisis de sensibilidad con las 60 hojas.); y la magnitud de la variación entre árboles frente a la variación entre hojas.
Hipótesis (requieren más árboles): que la exposición cambie el área foliar de Bauhinia picta y en qué sentido. La dirección es la de H2 (hojas algo mayores en sombra), pero el intervalo de confianza incluye la ausencia de efecto: no hay evidencia suficiente ni a favor de H1 ni a favor de H2. Esta lectura es válida únicamente para los 6 árboles analizados.
No evaluable aquí: los mecanismos (luz, temperatura, agua, suelo pavimentado), porque no se midieron; se requeriría registrar irradiancia, temperatura foliar o del aire, humedad del suelo y masa por área.

3.3 Limitaciones

Pocos árboles. La réplica verdadera es el árbol y hay 3 de sol y 3 de sombra con datos; los grados de libertad del contraste son los de los árboles y la potencia es baja (véase Potencia y tamaño de muestra).
Árboles influyentes y confusión espacial. la exposición y la posición en el bosque urbano no están cruzadas, de modo que no se pueden separar sus efectos.
Exposición categórica. «Sol» y «sombra» son clases definidas visualmente (luz directa la mayor parte del día frente a cobertura de otras copas o luz filtrada), no medidas de irradiancia; el sombreado varía a lo largo del día y del año, y la sombra por «luz filtrada» es heterogénea.
Áreas pendientes. Hay 0 áreas pendientes (0,0 %). Completarlas con el modelo del marco es un artificio útil para evaluar la sensibilidad, pero no sustituye la medición, y el análisis con el marco no es una confirmación independiente porque el marco se dibuja a partir del contorno de la propia hoja.
Elección de los árboles. El único criterio de selección fue que estuvieran desarrollados y sin daño ni enfermedad aparente; no se igualaron edad, tamaño ni morfotipo, de modo que parte de la diferencia atribuida a la exposición puede reflejar esas diferencias entre individuos.
Una sola especie, un solo sitio y una sola fecha (no registrada en la base): los resultados no se extrapolan a otras especies ni a otras épocas.
Medición. La detección del marco y de la figura en la fotografía, y el dibujo del marco con regla, introducen error de medida; el error residual del modelo del marco (≈ 5,2 %) es una cota inferior del error de predicción, no del error del área.

4 Métodos

Sitio y especie. El estudio se realizó en el Bosque Urbano Multicentro, ubicado en el área forestal protectora del río Meléndez, comuna 22, Cali (Valle del Cauca, Colombia), a 987 m s. n. m. (altitud registrada en la base). La especie estudiada fue Bauhinia picta.

Selección de árboles. Dentro del bosque urbano se identificaron zonas abiertas y zonas de alta densidad arbórea. Se consideraron árboles de sol los que reciben luz directa la mayor parte del día y no están cubiertos por otras copas ni por edificaciones, y árboles de sombra los que crecen bajo la cobertura de otros árboles o en zonas con luz filtrada. Se seleccionaron 6 árboles, 3 de sol y 3 de sombra, para obtener un diseño balanceado; el único criterio de selección fue que estuvieran desarrollados y sin daño ni enfermedad aparente. De cada árbol se registraron las coordenadas y se tomó una fotografía de referencia que documenta su estado, su entorno y su grado de exposición solar.

Selección de hojas. En cada árbol se muestrearon 10 hojas (60 en total), distribuidas por toda la copa y a diferentes distancias.

Medición del área foliar. Alrededor del contorno de cada hoja se dibujó con regla un marco rectangular y se midieron sus dos lados en milímetros. Se fotografió la hoja con su marco y un script en R usó el tamaño del marco en cada fotografía como escala para convertir píxeles a cm² y calcular así el área de la hoja. El área del marco se calculó como lado 1 × lado 2 (mm²) / 100 (cm²).

Procesamiento y control de calidad. Los datos se leyeron como texto y se convirtieron a tipos numéricos con reglas explícitas: eliminación de espacios, coma o punto decimal, reconstrucción de coordenadas escritas con separador de miles, normalización de la exposición y de los identificadores. Un área mayor que su marco es físicamente imposible; si dividida entre 100 resultaba plausible (cociente entre 0,2 y 1) se interpretó como error de unidad y se corrigió; en otro caso se excluyó. Las áreas en blanco no se imputan en el análisis primario. La base analítica primaria (A) contiene las hojas con área medida válida de los árboles con al menos 3 hojas medidas.

Estadística descriptiva y transformación. Por árbol se calcularon n, media, mediana, DE, CV, error estándar, IC 95 % (t), mínimo, máximo y media geométrica. La inferencia se hizo sobre el logaritmo natural del área (ln), porque el tamaño es multiplicativo y la dispersión crece con la media; las diferencias en ln se reportan como razones de medias geométricas. En el resto del informe los resultados se expresan en la escala original (razones de tamaño) y se omite la mención al logaritmo.

Unidad de análisis y contraste sol–sombra. Para cada árbol se calculó el promedio de ln(área) y esos promedios se compararon entre exposiciones con la prueba t de Welch,¹² la prueba de Wilcoxon exacta,¹³ una prueba de permutación exacta (diferencia de medias de árbol bajo todos los repartos de las etiquetas) y un bootstrap jerárquico de dos etapas (5000 réplicas: remuestreo de árboles dentro de cada exposición y de hojas dentro de cada árbol).¹⁴ Se calculó la g de Hedges con IC aproximado.¹⁸ El efecto de diseño se estimó como 1 + (m̄ − 1)·CCI.

Modelos. Se ajustó el modelo mixto ln(A) ~ exposición + (1 | árbol) por REML con lme4 y lmerTest (gl de Satterthwaite), con R² marginal y condicional (Nakagawa y Schielzeth), y el ANOVA anidado con la exposición contrastada contra el cuadrado medio de árbol. El CCI se estimó por ANOVA de un factor con IC de McGraw y Wong, usando el tamaño medio ponderado n₀. Los supuestos se revisaron con gráficos de residuos y con las pruebas de Shapiro–Wilk y Fligner–Killeen; como alternativas robustas se usaron el ANOVA de Welch y Kruskal–Wallis. Las comparaciones por pares entre árboles usaron Tukey HSD y, como contraste, Welch con ajuste de Holm.

Valores atípicos. Regla de Tukey por árbol (1,5·RIC), z robusto con la MAD (umbral 3,5), residuos studentizados (|t| > 3) y distancia de Cook (4/N). Las hojas sin causa de medición se conservan y se evalúa la sensibilidad del resultado a distintos resúmenes del árbol (media, mediana, media recortada, media sin atípicos).

Análisis de sensibilidad. (B) El contraste se repitió con ln(área del marco) de todas las hojas. (C) Las áreas pendientes se estimaron con la regresión ln(área) ~ ln(marco) ajustada a las hojas medidas (con corrección de retransformación) y se repitió el contraste; su incertidumbre se propagó con 2000 simulaciones que añaden el error residual y el de estimación del modelo. También se omitió un árbol a la vez (jackknife por árbol).

Potencia. Se calculó la razón mínima detectable (80 % de potencia, α = 0,05, prueba t de dos muestras) con la desviación estándar entre árboles observada dentro de cada exposición y su IC por χ².

Software y reproducibilidad. Todo el análisis se ejecuta desde este documento con R version 4.4.2 (2024-10-31 ucrt); los gráficos usan ggplot2,³⁰ con paleta de Okabe–Ito apta para daltonismo, y patchwork. Semilla aleatoria: 20261103. Paquetes: ggplot2 4.0.3, patchwork 1.3.2, lme4 2.0.1, lmerTest 3.2.1.³¹ Si se modifica el archivo de datos, basta volver a compilar el documento.

Disponibilidad de datos y de código. Los datos analizados son los de datos.csv. Cambiando el parámetro guardar_limpios a TRUE se escribe la base depurada (datos_limpios_area_foliar.csv).

Referencias

Arroyave, M. P., Posada, M. I. & Gutiérrez, M. E. Catálogo virtual de flora del Valle de Aburrá (Universidad EIA, 2014). http://catalogofloravalleaburra.eia.edu.co
Violle, C. et al. Let the concept of trait be functional! Oikos 116, 882–892 (2007). https://doi.org/10.1111/j.0030-1299.2007.15559.x
Pérez-Harguindeguy, N. et al. New handbook for standardised measurement of plant functional traits worldwide. Aust. J. Bot. 61, 167–234 (2013). https://doi.org/10.1071/BT12225
Wright, I. J. et al. Global climatic drivers of leaf size. Science 357, 917–921 (2017). https://doi.org/10.1126/science.aal4760
Valladares, F. & Niinemets, Ü. Shade tolerance, a key plant feature of complex nature and consequences. Annu. Rev. Ecol. Evol. Syst. 39, 237–257 (2008). https://doi.org/10.1146/annurev.ecolsys.39.110707.173506
Givnish, T. J. Adaptation to sun and shade: a whole-plant perspective. Aust. J. Plant Physiol. 15, 63–92 (1988). https://doi.org/10.1071/PP9880063
Parkhurst, D. F. & Loucks, O. L. Optimal leaf size in relation to environment. J. Ecol. 60, 505–537 (1972). https://doi.org/10.2307/2258359
Michaletz, S. T. et al. Plant thermoregulation: energetics, trait–environment interactions, and carbon economics. Trends Ecol. Evol. 30, 714–724 (2015). https://doi.org/10.1016/j.tree.2015.09.006
McGraw, K. O. & Wong, S. P. Forming inferences about some intraclass correlation coefficients. Psychol. Methods 1, 30–46 (1996). https://doi.org/10.1037/1082-989X.1.1.30
Nakagawa, S. & Schielzeth, H. A general and simple method for obtaining R² from generalized linear mixed-effects models. Methods Ecol. Evol. 4, 133–142 (2013). https://doi.org/10.1111/j.2041-210x.2012.00261.x
Hurlbert, S. H. Pseudoreplication and the design of ecological field experiments. Ecol. Monogr. 54, 187–211 (1984). https://doi.org/10.2307/1942661
Welch, B. L. The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika 34, 28–35 (1947). https://doi.org/10.1093/biomet/34.1-2.28
Wilcoxon, F. Individual comparisons by ranking methods. Biometrics Bull. 1, 80–83 (1945). https://doi.org/10.2307/3001968
Efron, B. Bootstrap methods: another look at the jackknife. Ann. Stat. 7, 1–26 (1979). https://doi.org/10.1214/aos/1176344552
Bates, D., Mächler, M., Bolker, B. & Walker, S. Fitting linear mixed-effects models using lme4. J. Stat. Softw. 67, 1–48 (2015). https://doi.org/10.18637/jss.v067.i01
Kuznetsova, A., Brockhoff, P. B. & Christensen, R. H. B. lmerTest package: tests in linear mixed effects models. J. Stat. Softw. 82, 1–26 (2017). https://doi.org/10.18637/jss.v082.i13
Satterthwaite, F. E. An approximate distribution of estimates of variance components. Biometrics Bull. 2, 110–114 (1946). https://doi.org/10.2307/3002019
Hedges, L. V. Distribution theory for Glass’s estimator of effect size and related estimators. J. Educ. Stat. 6, 107–128 (1981). https://doi.org/10.3102/10769986006002107
Lakens, D. Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. Front. Psychol. 4, 863 (2013). https://doi.org/10.3389/fpsyg.2013.00863
Shapiro, S. S. & Wilk, M. B. An analysis of variance test for normality (complete samples). Biometrika 52, 591–611 (1965). https://doi.org/10.1093/biomet/52.3-4.591
Fligner, M. A. & Killeen, T. J. Distribution-free two-sample tests for scale. J. Am. Stat. Assoc. 71, 210–213 (1976). https://doi.org/10.1080/01621459.1976.10481517
Kruskal, W. H. & Wallis, W. A. Use of ranks in one-criterion variance analysis. J. Am. Stat. Assoc. 47, 583–621 (1952). https://doi.org/10.1080/01621459.1952.10483441
Tukey, J. W. Comparing individual means in the analysis of variance. Biometrics 5, 99–114 (1949). https://doi.org/10.2307/3001913
Holm, S. A simple sequentially rejective multiple test procedure. Scand. J. Stat. 6, 65–70 (1979). https://www.jstor.org/stable/4615733
Gelman, A. & Stern, H. The difference between ‘significant’ and ‘not significant’ is not itself statistically significant. Am. Stat. 60, 328–331 (2006). https://doi.org/10.1198/000313006X152649
Wasserstein, R. L. & Lazar, N. A. The ASA statement on p-values: context, process, and purpose. Am. Stat. 70, 129–133 (2016). https://doi.org/10.1080/00031305.2016.1154108
Amrhein, V., Greenland, S. & McShane, B. Scientists rise up against statistical significance. Nature 567, 305–307 (2019). https://doi.org/10.1038/d41586-019-00857-9
Poorter, H., Niinemets, Ü., Poorter, L., Wright, I. J. & Villar, R. Causes and consequences of variation in leaf mass per area (LMA): a meta-analysis. New Phytol. 182, 565–588 (2009). https://doi.org/10.1111/j.1469-8137.2009.02830.x
Poorter, H. et al. A meta-analysis of plant responses to light intensity for 70 traits ranging from molecules to whole plant performance. New Phytol. 223, 1073–1105 (2019). https://doi.org/10.1111/nph.15754
Wickham, H. ggplot2: Elegant Graphics for Data Analysis (Springer, 2016). https://doi.org/10.1007/978-3-319-24277-4
R Core Team. R: A Language and Environment for Statistical Computing (R Foundation for Statistical Computing, Vienna). https://www.R-project.org/

Información suplementaria

Cumplimiento del protocolo de la guía

ok <- function(x) ifelse(x, "✔ cumple", "✘ no cumple")
n_hoja_arb <- table(datos$arbol)
tpr <- data.frame(
  Requisito = c("Al menos 2 árboles a pleno sol y 2 a la sombra", "10 hojas por árbol", "5 árboles por grupo", "Área medida en todas las hojas", "ID con formato G#_T# (p. ej. G3_T2)",
                "Columnas de la plantilla (grupo, id_arbol, fecha, observaciones)", "Coordenadas en grados decimales con un mismo separador", "Ningún árbol medido dos veces"),
  Estado = c(ok(min(R$n_sol_tot, R$n_som_tot) >= 2), ok(all(n_hoja_arb == 10)), ok(R$n_arb == 5), ok(R$n_falta == 0), ok(all(grepl("^G[0-9]+_T[0-9]+$", datos$arbol_raw))),
             ok(length(R$cols_plantilla_faltan) == 0), ok(R$n_coord_miles == 0), ok(nrow(R$dup_arbol) == 0)),
  Observación = c(paste0(R$n_sol_tot, " sol / ", R$n_som_tot, " sombra"), paste0(R$hojas_x_arbol[1], "–", R$hojas_x_arbol[2], " hojas"), paste0(R$n_arb, " árboles"),
                  paste0(R$n_falta, " pendientes"), "los identificadores son T1…T", paste0("faltan: ", ifelse(length(R$cols_plantilla_faltan), paste(R$cols_plantilla_faltan, collapse = ", "), "—")),
                  paste0(R$n_coord_miles, " filas con separador de miles (reconstruidas)"), paste0(nrow(R$dup_arbol), " pares a menos de ", params$dist_duplicado_m, " m")), stringsAsFactors = FALSE)
tpr$Observación[5] <- paste0("los identificadores son ", paste(head(sort(unique(datos$arbol)), 3), collapse = ", "), "…")
cat(tcap("protocolo", "Cumplimiento de los requisitos de la guía de campo", "Las desviaciones se declaran; no impiden el análisis, pero condicionan su interpretación."))

Tabla 13. Cumplimiento de los requisitos de la guía de campo

tabla(tpr, align = "lcl")

Requisito	Estado	Observación
Al menos 2 árboles a pleno sol y 2 a la sombra	✔ cumple	3 sol / 3 sombra
10 hojas por árbol	✔ cumple	10–10 hojas
5 árboles por grupo	✘ no cumple	6 árboles
Área medida en todas las hojas	✔ cumple	0 pendientes
ID con formato G#_T# (p. ej. G3_T2)	✘ no cumple	los identificadores son T1, T2, T3…
Columnas de la plantilla (grupo, id_arbol, fecha, observaciones)	✘ no cumple	faltan: grupo, id_arbol, fecha, observaciones
Coordenadas en grados decimales con un mismo separador	✘ no cumple	60 filas con separador de miles (reconstruidas)
Ningún árbol medido dos veces	✔ cumple	0 pares a menos de 5 m

Nota. Las desviaciones se declaran; no impiden el análisis, pero condicionan su interpretación.

Base de datos hoja a hoja

td2 <- data.frame(Archivo = datos$archivo, Árbol = datos$arbol, Exposición = as.character(datos$exposicion), `Lado 1 (mm)` = fx(datos$lado1, 0), `Lado 2 (mm)` = fx(datos$lado2, 0),
                  `Marco (cm²)` = fx(datos$marco_cm2, 1), `Área registrada (cm²)` = fx(datos$area_orig, 2), Estado = datos$estado, `Área usada (cm²)` = fx(datos$area_f, 2),
                  Origen = ifelse(is.na(datos$origen), "—", datos$origen), check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("datos", "Base de datos depurada (una fila por hoja)", "«Área usada» es la medida o, si estaba pendiente, la estimada con el modelo del marco (solo para el análisis de sensibilidad C)."))

Tabla 14. Base de datos depurada (una fila por hoja)

cat('<div style="max-height:430px;overflow:auto">\n'); tabla(td2, align = "llcrrrrlrl"); cat('</div>\n')

Archivo	Árbol	Exposición	Lado 1 (mm)	Lado 2 (mm)	Marco (cm²)	Área registrada (cm²)	Estado	Área usada (cm²)	Origen
hoja1.jpg	T1	sombra	105	105	110,2	72,84	ok	72,84	medida
hoja2.jpg	T1	sombra	122	123	150,1	103,44	ok	103,44	medida
hoja3.jpg	T1	sombra	128	111	142,1	85,03	ok	85,03	medida
hoja4.jpg	T1	sombra	115	117	134,6	90,14	ok	90,14	medida
hoja5.jpg	T1	sombra	88	96	84,5	50,78	ok	50,78	medida
hoja6.jpg	T1	sombra	109	110	119,9	76,68	ok	76,68	medida
hoja7.jpg	T1	sombra	111	120	133,2	91,68	ok	91,68	medida
hoja8.jpg	T1	sombra	110	112	123,2	79,98	ok	79,98	medida
hoja9.jpg	T1	sombra	108	124	133,9	85,30	ok	85,30	medida
hoja10.jpg	T1	sombra	109	113	123,2	66,04	ok	66,04	medida
hoja11.jpg	T2	sol	125	150	187,5	120,44	ok	120,44	medida
hoja12.jpg	T2	sol	132	153	202,0	139,04	ok	139,04	medida
hoja13.jpg	T2	sol	123	141	173,4	119,12	ok	119,12	medida
hoja14.jpg	T2	sol	127	134	170,2	111,76	ok	111,76	medida
hoja15.jpg	T2	sol	112	132	147,8	98,62	ok	98,62	medida
hoja16.jpg	T2	sol	118	125	147,5	92,72	ok	92,72	medida
hoja17.jpg	T2	sol	117	124	145,1	97,16	ok	97,16	medida
hoja18.jpg	T2	sol	111	127	141,0	93,85	ok	93,85	medida
hoja19.jpg	T2	sol	117	132	154,4	107,98	ok	107,98	medida
hoja20.jpg	T2	sol	117	133	155,6	106,62	ok	106,62	medida
hoja21.jpg	T3	sol	100	111	111,0	74,61	ok	74,61	medida
hoja22.jpg	T3	sol	99	109	107,9	72,00	ok	72,00	medida
hoja23.jpg	T3	sol	99	102	101,0	71,16	ok	71,16	medida
hoja24.jpg	T3	sol	99	110	108,9	76,84	ok	76,84	medida
hoja25.jpg	T3	sol	98	111	108,8	75,06	ok	75,06	medida
hoja26.jpg	T3	sol	105	122	128,1	89,99	ok	89,99	medida
hoja27.jpg	T3	sol	110	129	141,9	96,99	ok	96,99	medida
hoja28.jpg	T3	sol	112	117	131,0	89,10	ok	89,10	medida
hoja29.jpg	T3	sol	108	129	139,3	94,68	ok	94,68	medida
hoja30.jpg	T3	sol	110	104	114,4	69,28	ok	69,28	medida
hoja31.jpg	T4	sombra	133	167	222,1	145,77	ok	145,77	medida
hoja32.jpg	T4	sombra	143	140	200,2	137,25	ok	137,25	medida
hoja33.jpg	T4	sombra	133	127	168,9	115,80	ok	115,80	medida
hoja34.jpg	T4	sombra	149	147	219,0	152,47	ok	152,47	medida
hoja35.jpg	T4	sombra	144	138	198,7	137,12	ok	137,12	medida
hoja36.jpg	T4	sombra	119	121	144,0	94,34	ok	94,34	medida
hoja37.jpg	T4	sombra	120	127	152,4	106,60	ok	106,60	medida
hoja38.jpg	T4	sombra	139	140	194,6	136,41	ok	136,41	medida
hoja39.jpg	T4	sombra	122	115	140,3	91,11	ok	91,11	medida
hoja40.jpg	T4	sombra	142	130	184,6	114,59	ok	114,59	medida
hoja41.jpg	T5	sol	129	130	167,7	114,45	ok	114,45	medida
hoja42.jpg	T5	sol	129	139	179,3	122,43	ok	122,43	medida
hoja43.jpg	T5	sol	111	133	147,6	101,07	ok	101,07	medida
hoja44.jpg	T5	sol	97	105	101,8	73,41	ok	73,41	medida
hoja45.jpg	T5	sol	104	138	143,5	93,20	ok	93,20	medida
hoja46.jpg	T5	sol	104	124	129,0	87,67	ok	87,67	medida
hoja47.jpg	T5	sol	108	125	135,0	94,46	ok	94,46	medida
hoja48.jpg	T5	sol	98	113	110,7	75,61	ok	75,61	medida
hoja49.jpg	T5	sol	117	130	152,1	106,07	ok	106,07	medida
hoja50.jpg	T5	sol	104	122	126,9	92,50	ok	92,50	medida
hoja51.jpg	T6	sombra	132	147	194,0	127,36	ok	127,36	medida
hoja52.jpg	T6	sombra	127	143	181,6	119,04	ok	119,04	medida
hoja53.jpg	T6	sombra	145	186	269,7	174,29	ok	174,29	medida
hoja54.jpg	T6	sombra	142	148	210,2	140,95	ok	140,95	medida
hoja55.jpg	T6	sombra	139	158	219,6	149,12	ok	149,12	medida
hoja56.jpg	T6	sombra	139	149	207,1	141,33	ok	141,33	medida
hoja57.jpg	T6	sombra	125	157	196,2	119,48	ok	119,48	medida
hoja58.jpg	T6	sombra	135	155	209,2	143,45	ok	143,45	medida
hoja59.jpg	T6	sombra	158	184	290,7	191,36	ok	191,36	medida
hoja60.jpg	T6	sombra	153	175	267,8	180,34	ok	180,34	medida

Nota. «Área usada» es la medida o, si estaba pendiente, la estimada con el modelo del marco (solo para el análisis de sensibilidad C).

Verificación de los DOI con Crossref

norm_t <- function(s) { s <- tolower(iconv(s, to = "ASCII//TRANSLIT")); s <- gsub("[^a-z0-9 ]", " ", s); w <- unique(strsplit(trimws(gsub(" +", " ", s)), " ")[[1]]); w[nchar(w) > 0] }
jacc <- function(a, b) length(intersect(a, b)) / length(union(a, b))
.doi_env <- new.env(); .doi_env$off <- FALSE
verif <- function(k, i) {
  r <- REF[[k]]; base <- data.frame(N = i, Referencia = k, DOI = ifelse(is.na(r$doi), "—", r$doi), stringsAsFactors = FALSE)
  if (is.na(r$doi)) { base$Estado <- "sin DOI (se enlaza a la URL)"; return(base) }
  if (!isTRUE(params$verificar_doi) || !HAS_JSON) { base$Estado <- "verificación desactivada"; return(base) }
  if (.doi_env$off) { base$Estado <- "no se pudo consultar (sin conexión)"; return(base) }
  res <- tryCatch(jsonlite::fromJSON(paste0("https://api.crossref.org/works/", r$doi)), error = function(e) NULL)
  if (is.null(res)) .doi_env$off <- TRUE
  if (is.null(res)) { base$Estado <- "no se pudo consultar (sin conexión o DOI no resuelto)"; return(base) }
  tt <- res$message$title[1]
  an <- tryCatch(as.integer(res$message$issued$`date-parts`[1, 1]), error = function(e) NA_integer_)
  sim <- jacc(norm_t(tt), norm_t(r$tit))
  base$Estado <- ifelse(sim >= 0.6 && (is.na(an) || abs(an - r$anio) <= 1), "✔ coincide con Crossref", "✘ revisar")
  base
}
vt <- do.call(rbind, lapply(seq_along(.cit$orden), function(i) verif(.cit$orden[i], i)))
cat(tcap("doi", "Verificación automática de los DOI citados", "Se consulta la API de Crossref y se compara el título y el año; requiere conexión a internet al compilar."))

Tabla 15. Verificación automática de los DOI citados

tabla(vt, align = "rllll")

N	Referencia	DOI	Estado
1	ueia2014	—	sin DOI (se enlaza a la URL)
2	violle2007	10.1111/j.0030-1299.2007.15559.x	verificación desactivada
3	perez2013	10.1071/BT12225	verificación desactivada
4	wright2017	10.1126/science.aal4760	verificación desactivada
5	valladares2008	10.1146/annurev.ecolsys.39.110707.173506	verificación desactivada
6	givnish1988	10.1071/PP9880063	verificación desactivada
7	parkhurst1972	10.2307/2258359	verificación desactivada
8	michaletz2015	10.1016/j.tree.2015.09.006	verificación desactivada
9	mcgraw1996	10.1037/1082-989X.1.1.30	verificación desactivada
10	nakagawa2013	10.1111/j.2041-210x.2012.00261.x	verificación desactivada
11	hurlbert1984	10.2307/1942661	verificación desactivada
12	welch1947	10.1093/biomet/34.1-2.28	verificación desactivada
13	wilcoxon1945	10.2307/3001968	verificación desactivada
14	efron1979	10.1214/aos/1176344552	verificación desactivada
15	bates2015	10.18637/jss.v067.i01	verificación desactivada
16	kuznetsova2017	10.18637/jss.v082.i13	verificación desactivada
17	satterthwaite1946	10.2307/3002019	verificación desactivada
18	hedges1981	10.3102/10769986006002107	verificación desactivada
19	lakens2013	10.3389/fpsyg.2013.00863	verificación desactivada
20	shapiro1965	10.1093/biomet/52.3-4.591	verificación desactivada
21	fligner1976	10.1080/01621459.1976.10481517	verificación desactivada
22	kruskal1952	10.1080/01621459.1952.10483441	verificación desactivada
23	tukey1949	10.2307/3001913	verificación desactivada
24	holm1979	—	sin DOI (se enlaza a la URL)
25	gelman2006	10.1198/000313006X152649	verificación desactivada
26	wasserstein2016	10.1080/00031305.2016.1154108	verificación desactivada
27	amrhein2019	10.1038/d41586-019-00857-9	verificación desactivada
28	poorter2009	10.1111/j.1469-8137.2009.02830.x	verificación desactivada
29	poorter2019	10.1111/nph.15754	verificación desactivada
30	wickham2016	10.1007/978-3-319-24277-4	verificación desactivada
31	rcore	—	sin DOI (se enlaza a la URL)

Nota. Se consulta la API de Crossref y se compara el título y el año; requiere conexión a internet al compilar.

sessionInfo()

R version 4.4.2 (2024-10-31 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 11 x64 (build 26200)

Matrix products: default


locale:
[1] LC_COLLATE=Spanish_Colombia.utf8  LC_CTYPE=Spanish_Colombia.utf8   
[3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C                     
[5] LC_TIME=Spanish_Colombia.utf8    

time zone: America/Bogota
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] leaflet_2.2.3   scales_1.4.0    patchwork_1.3.2 ggplot2_4.0.3  

loaded via a namespace (and not attached):
 [1] sass_0.4.10             generics_0.1.4          lattice_0.22-9         
 [4] lme4_2.0-1              digest_0.6.39           magrittr_2.0.4         
 [7] evaluate_1.0.5          grid_4.4.2              RColorBrewer_1.1-3     
[10] fastmap_1.2.0           jsonlite_2.0.0          Matrix_1.7-5           
[13] Formula_1.2-5           mgcv_1.9-4              crosstalk_1.2.2        
[16] numDeriv_2016.8-1.1     jquerylib_0.1.4         reformulas_0.4.4       
[19] Rdpack_2.6.6            cli_3.6.5               rlang_1.1.6            
[22] rbibutils_2.4.1         splines_4.4.2           withr_3.0.2            
[25] cachem_1.1.0            yaml_2.3.12             otel_0.2.0             
[28] tools_4.4.2             nloptr_2.2.1            minqa_1.2.8            
[31] dplyr_1.1.4             boot_1.3-32             mime_0.13              
[34] vctrs_0.6.5             R6_2.6.1                magick_2.9.1           
[37] lifecycle_1.0.5         leaflet.providers_3.0.0 htmlwidgets_1.6.4      
[40] MASS_7.3-65             pkgconfig_2.0.3         pillar_1.11.1          
[43] bslib_0.10.0            lmerTest_3.2-1          gtable_0.3.6           
[46] glue_1.8.0              Rcpp_1.1.1-1.1          table1_1.5.1           
[49] xfun_0.57               tibble_3.3.0            tidyselect_1.2.1       
[52] rstudioapi_0.18.0       knitr_1.51              dichromat_2.0-0.1      
[55] farver_2.1.2            htmltools_0.5.9         nlme_3.1-169           
[58] labeling_0.4.3          rmarkdown_2.31          compiler_4.4.2         
[61] S7_0.2.2

---
title: "Plasticidad del área foliar de *Bauhinia picta* frente a la exposición lumínica en un bosque urbano de Cali"
subtitle: "Un estudio observacional jerárquico con el árbol como unidad experimental"
author: "`r params$autores`"
date: "`r format(Sys.Date(), '%d/%m/%Y')`"
lang: es
output:
  html_document:
    toc: true
    toc_depth: 2
    toc_float:
      collapsed: false
      smooth_scroll: true
    number_sections: true
    code_folding: hide
    code_download: true
    self_contained: true
    fig_caption: true
params:
  archivo: "datos.csv"   # o ruta completa, p. ej. "E:/pc juan/diseno/datos.csv" (usar / y no \)
  autores: "Juan Manuel Cordoba Castillo (2520820) Valentina Noguera Velasquez (2521094) — Grupo 1 - Facultad de Ciencias Naturales y Exactas, Universidad del Valle"
  carpeta_fotos: "E:/pc juan/diseno"     # carpeta con arbol1.jpg, arbol2.jpg... (tambien se busca en ./fotos)
  ancho_foto: 500        # ancho (px) de las fotos de la galeria; requiere el paquete magick para reducirlas
  min_hojas_arbol: 3
  dist_duplicado_m: 5
  B_boot: 5000
  M_imp: 2000
  semilla: 20261103
  decimal: ","
  instalar_paquetes: FALSE   # TRUE solo la primera vez (instalar dentro del knit puede colgarlo)
  verificar_doi: FALSE       # TRUE consulta Crossref (~35 llamadas); ponlo en TRUE solo con buena conexion
  tolerar_errores: TRUE
  guardar_limpios: FALSE
---

```{css, echo=FALSE}
/* ====== Estética tipo paper / reporte moderno ====== */
:root{--ink:#1d2733;--muted:#64707d;--rule:#dfe4e8;--accent:#1f7a5c;--accent-d:#14543f;--accent-l:#eaf5f0;
--sol:#E69F00;--sombra:#0072B2;--panel:#f6f8f9;
--sans:"Inter","Segoe UI",Roboto,"Helvetica Neue",Arial,sans-serif;--serif:Georgia,"Times New Roman",serif;}
html{scroll-behavior:smooth}
body{font-family:var(--sans);color:var(--ink);font-size:16px;line-height:1.72;background:#eef1f3;}
.main-container{max-width:1180px;background:#fff;padding:1.2rem 2.6rem 4rem;margin:1.4rem auto;border-radius:14px;box-shadow:0 2px 24px rgba(20,40,50,.08);}
#header{border-bottom:3px solid var(--accent);padding-bottom:.9rem;margin-bottom:1.4rem;}
h1.title{font-size:2.05em;line-height:1.15;font-weight:800;letter-spacing:-.015em;margin:.7em 0 .25em;color:var(--accent-d);}
h3.subtitle,.subtitle{font-size:1.12em;font-weight:400;color:var(--muted);margin:0 0 .8em;}
h4.author,.author{font-size:.95em;font-weight:600;margin:.2em 0 0;}
h4.date,.date{font-size:.85em;color:var(--muted);margin:.1em 0 .6em;}
h1{font-size:1.55em;font-weight:800;margin:2.4em 0 .7em;padding-bottom:.3em;border-bottom:2px solid var(--accent);color:var(--accent-d);letter-spacing:-.01em;}
h2{font-size:1.18em;font-weight:700;margin:2em 0 .6em;color:var(--ink);}
h3{font-size:1.02em;font-weight:700;color:var(--accent);margin-top:1.4em;}
.header-section-number{color:var(--accent);margin-right:.45em;font-weight:700;}
p{margin:.5em 0 .95em;max-width:84ch;}
ul,ol{max-width:84ch;}li{margin-bottom:.35em;}
sup{font-size:.68em;font-weight:700;color:var(--accent);line-height:0;padding-left:1px;}
a{color:var(--accent);text-decoration:none}a:hover{text-decoration:underline}
.abstract{background:var(--accent-l);border:1px solid #cfe6dc;border-left:5px solid var(--accent);border-radius:10px;padding:1.1em 1.5em .5em;margin:1.2em 0 1.4em;font-size:.95em;}
.abstract p{margin:.35em 0 .75em;max-width:none;}
.abstract p:first-child{font-size:1.05em;font-weight:800;color:var(--accent-d);text-transform:uppercase;letter-spacing:.06em;}
.kpis{display:grid;grid-template-columns:repeat(auto-fit,minmax(180px,1fr));gap:14px;margin:1.2em 0 2em;}
.kpi{border:1px solid var(--rule);border-top:4px solid var(--accent);border-radius:12px;padding:.85em 1em;background:linear-gradient(180deg,#fff,var(--panel));}
.kpi .v{font-size:1.75em;font-weight:800;line-height:1.1;color:var(--accent-d);}
.kpi .l{font-size:.74em;text-transform:uppercase;letter-spacing:.06em;color:var(--muted);margin-top:.35em;font-weight:700;}
.kpi .s{font-size:.82em;color:var(--muted);margin-top:.1em;}
.callout{border-left:4px solid var(--sombra);background:#f2f8fc;padding:.7em 1.1em .2em;margin:1.1em 0;font-size:.95em;border-radius:0 8px 8px 0;}
.callout p{max-width:none;}
.warn{border-left:4px solid var(--sol);background:#fff8ea;padding:.6em 1em;margin:1em 0;font-size:.93em;border-radius:0 8px 8px 0;}
details.detalle{border:1px solid var(--rule);border-left:4px solid var(--accent);border-radius:8px;background:var(--panel);padding:.1em 1.1em;margin:1em 0 1.3em;}
details.detalle summary{cursor:pointer;font-weight:700;color:var(--accent-d);padding:.55em 0;font-size:.92em;}
details.detalle[open] summary{border-bottom:1px solid var(--rule);margin-bottom:.7em;}
details.detalle p{font-size:.94em;max-width:none;}
.figure{background:#fff;border:1px solid var(--rule);border-radius:12px;padding:1em 1em .4em;margin:1.6em 0;box-shadow:0 1px 10px rgba(20,40,50,.05);}
.figure img,img{max-width:100%;}
p.caption,.caption,.figcap{font-size:.84em;line-height:1.5;color:#33404c;text-align:left;border-top:1px solid var(--rule);padding-top:.6em;margin-top:.7em;max-width:none;}
.figcap{margin:.6em 0 1.8em;}
p.caption strong:first-child,.figcap b:first-child{color:var(--accent-d);}
.leaflet-container{border-radius:12px;border:1px solid var(--rule);}
.html-widget{margin:1em 0 0;}
/* ---- tablas estilo paper: título arriba, tres líneas, nota abajo ---- */
.tcap{font-family:var(--serif);font-size:.98em;margin:2em 0 .45em;max-width:none;}
.tcap .tn{color:var(--accent-d);font-weight:800;margin-right:.35em;}
.tw{overflow-x:auto;margin:.2em 0 .2em;}
table.nt{font-family:var(--serif);border-collapse:collapse;width:100%;font-size:.88em;line-height:1.35;border-top:2px solid #111;border-bottom:2px solid #111;}
table.nt thead th{font-weight:700;text-align:left;border-bottom:1px solid #111;padding:.45em .7em;background:#fff;}
table.nt td{padding:.36em .7em;vertical-align:top;border:none;}
table.nt tbody tr:nth-child(even){background:#f8f9fa;}
table.nt tbody tr:hover{background:#f1f6f4;}
table.nt td:first-child{font-weight:600;}
.tnota{font-family:var(--serif);font-size:.8em;color:var(--muted);margin:.3em 0 1.8em;max-width:none;}
.t1w table{width:100%;font-size:.88em;}
.t1w .Rtable1-times th,.t1w .Rtable1-times td{padding:.3em .6em;}
.t1w .rowlabel{font-weight:600;}
.t1w th{font-weight:700;color:var(--ink);background:#fff;text-align:center;}
.t1w th.rowlabel{text-align:left;}
.t1w thead th{border-bottom:1px solid #111;}
/* ---- galería de fotos con marco ---- */
.galeria-filtros{display:flex;gap:.5em;margin:.4em 0 1em;flex-wrap:wrap;}
.galeria-filtros button{border:1px solid var(--rule);background:#fff;border-radius:999px;padding:.3em 1.05em;font-size:.85em;cursor:pointer;color:var(--ink);}
.galeria-filtros button.on{background:var(--accent);color:#fff;border-color:var(--accent);}
.galeria{display:grid;grid-template-columns:repeat(auto-fill,minmax(230px,1fr));gap:22px;margin:1em 0 .4em;}
.galeria figure{margin:0;background:#fff;padding:10px 10px 12px;border:1px solid var(--rule);border-radius:4px;box-shadow:0 6px 18px rgba(20,40,50,.13);transition:transform .2s;}
.galeria figure:hover{transform:translateY(-3px) rotate(-.4deg);}
.galeria figure.oculto{display:none;}
.galeria .marco{position:relative;aspect-ratio:4/3;overflow:hidden;background:#e9edf0;outline:1px solid rgba(0,0,0,.08);}
.galeria .marco img{width:100%;height:100%;object-fit:cover;cursor:zoom-in;display:block;}
.galeria .badge{position:absolute;top:8px;left:8px;color:#fff;font-size:.7em;font-weight:800;padding:.15em .65em;border-radius:999px;letter-spacing:.05em;}
.badge.sol{background:var(--sol);}.badge.sombra{background:var(--sombra);}
.galeria figcaption{font-size:.86em;margin-top:.6em;line-height:1.35;}
.galeria .meta{color:var(--muted);font-size:.9em;}
.galeria .vacio{display:flex;align-items:center;justify-content:center;border:2px dashed #b9c2c9;text-align:center;color:var(--muted);font-size:.8em;background:repeating-linear-gradient(45deg,#f4f6f7,#f4f6f7 8px,#eef1f3 8px,#eef1f3 16px);}
.lb{position:fixed;inset:0;background:rgba(10,18,24,.9);display:none;align-items:center;justify-content:center;flex-direction:column;z-index:9999;cursor:zoom-out;}
.lb.on{display:flex;}
.lb img{max-width:92vw;max-height:84vh;border:10px solid #fff;border-radius:3px;}
.lb .lbcap{color:#fff;margin-top:.8em;font-size:.95em;}
ol.refs{font-size:.82em;line-height:1.5;padding-left:2em;max-width:none;}
ol.refs li{margin-bottom:.45em;}
#TOC,.tocify{font-size:.82em;}
.list-group-item.active,.list-group-item.active:hover,.list-group-item.active:focus{background-color:var(--accent);border-color:var(--accent);}
pre{font-size:.78em;background:#fafbfb;border:1px solid var(--rule);border-radius:6px;}
@media print{#TOC,.tocify-wrapper{display:none}.main-container{max-width:100%;box-shadow:none}details.detalle{display:block}}
```

```{r setup, include=FALSE}
# ---------------------------------------------------------------------------
# 0. Paquetes, opciones globales y utilidades
# ---------------------------------------------------------------------------
knitr::opts_chunk$set(echo = TRUE, message = FALSE, warning = FALSE,
                      error = isTRUE(params$tolerar_errores), comment = NA,
                      fig.align = "center", fig.width = 7.2, fig.height = 4.6,
                      dpi = 110, out.width = "100%")
options(OutDec = params$decimal, scipen = 999, timeout = 20)
set.seed(params$semilla)
paquetes_req <- c("ggplot2", "patchwork", "scales")
paquetes_opc <- c("lme4", "lmerTest", "leaflet", "jsonlite", "table1", "magick")
if (isTRUE(params$instalar_paquetes)) {
  falt <- c(paquetes_req, paquetes_opc)[!vapply(c(paquetes_req, paquetes_opc),
                                               requireNamespace, logical(1), quietly = TRUE)]
  if (length(falt) > 0) try(install.packages(falt, repos = "https://cloud.r-project.org"), silent = TRUE)
}
library(ggplot2); library(patchwork); library(scales)
HAS_LMER <- requireNamespace("lme4", quietly = TRUE) && requireNamespace("lmerTest", quietly = TRUE)
HAS_LEAFLET <- requireNamespace("leaflet", quietly = TRUE)
HAS_JSON <- requireNamespace("jsonlite", quietly = TRUE)
HAS_T1 <- requireNamespace("table1", quietly = TRUE)
HAS_MAGICK <- requireNamespace("magick", quietly = TRUE)

# ---- Formato numérico (coma decimal por defecto) ----
fx <- function(x, d = 1) {
  if (is.null(x) || length(x) == 0) return("n/d")
  vapply(x, function(v) if (is.na(v) || !is.finite(v)) "n/d" else
    formatC(v, format = "f", digits = d, decimal.mark = params$decimal), character(1))
}
fp <- function(p, d = 3) {
  if (is.null(p) || length(p) == 0) return("n/d")
  vapply(p, function(v) if (is.na(v)) "n/d" else if (v < 10^-d) paste0("< 0", params$decimal, strrep("0", d - 1), "1") else
    formatC(v, format = "f", digits = d, decimal.mark = params$decimal), character(1))
}
fpp <- function(p, d = 3) { s <- fp(p, d); ifelse(grepl("^<", s), paste0("*p* ", s), ifelse(s == "n/d", "*p* n/d", paste0("*p* = ", s))) }
fci <- function(l, u, d = 2) paste0("[", fx(l, d), "; ", fx(u, d), "]")
cv  <- function(x) 100 * sd(x) / mean(x)
safe <- function(expr) tryCatch(expr, error = function(e) NULL)
`%||%` <- function(a, b) if (is.null(a) || length(a) == 0 || (length(a) == 1 && is.na(a))) b else a

# ---- Tablas estilo paper: título arriba, tres líneas, nota al pie ----
.nota <- new.env(); .nota$txt <- ""
nota_html <- function() {
  if (!nzchar(.nota$txt)) return("")
  h <- paste0('<p class="tnota"><b>Nota.</b> ', .nota$txt, '</p>\n\n'); .nota$txt <- ""; h
}
tabla <- function(df, align = NULL, col.names = NULL) {
  # Tabla HTML propia con encabezado explícito (<thead>), emitida como bloque HTML crudo
  if (nrow(df) == 0) return(invisible())
  nm <- if (is.null(col.names)) names(df) else col.names
  al <- if (is.null(align)) rep("l", ncol(df)) else rep_len(strsplit(align, "")[[1]], ncol(df))
  amap <- c(l = "left", r = "right", c = "center")
  celda <- function(x) {
    x <- as.character(x); x[is.na(x) | x == "NA"] <- "—"
    x <- gsub("< ", "&lt; ", x, fixed = TRUE)
    gsub("\\*([^*]+)\\*", "<i>\\1</i>", x)
  }
  m <- do.call(cbind, lapply(df, function(z) celda(z)))
  th <- paste0('<th style="text-align:', amap[al], '">', celda(nm), '</th>', collapse = "")
  filas <- vapply(seq_len(nrow(m)), function(i)
    paste0('<tr>', paste0('<td style="text-align:', amap[al], '">', m[i, ], '</td>', collapse = ""), '</tr>'), character(1))
  html <- paste0('<table class="nt"><thead><tr>', th, '</tr></thead><tbody>\n', paste(filas, collapse = "\n"), '\n</tbody></table>')
  cat('\n```{=html}\n<div class="tw">\n', html, '\n</div>\n```\n\n', nota_html(), sep = "")
}
# Tabla generada con {table1} (estética de Table 1 de artículo); si falla, cae a kable
t1_out <- function(t1) {
  h <- tryCatch(paste(as.character(knitr::knit_print(t1)), collapse = "\n"), error = function(e) "")
  if (!nzchar(h)) {
    df <- tryCatch(as.data.frame(t1), error = function(e) NULL)
    if (!is.null(df)) { tabla(df); return(invisible()) }
    cat("<p><i>No se pudo generar la tabla.</i></p>\n"); return(invisible())
  }
  cat('\n```{=html}\n<div class="tw t1w">\n', h, '\n</div>\n```\n\n', nota_html(), sep = "")
}

# ---- Numeración automática de figuras y tablas (se fija aquí el orden) ----
FIG <- c("diseno", "completitud", "mapa_int", "mapa", "fotos", "proxy", "porarbol", "varianza", "atipicos",
         "exposicion", "perm", "forest", "diag", "tukey", "sensib", "jack", "potencia",
         "forma", "literatura")
TAB <- c("car", "vars", "qc", "desc", "atip", "pseudo", "bateria", "mixto", "anova", "tukey", "sens", "lit", "protocolo", "datos", "doi")
fn   <- function(k) { i <- match(k, FIG); if (is.na(i)) stop("Figura no registrada: ", k); i }
tn   <- function(k) { i <- match(k, TAB); if (is.na(i)) stop("Tabla no registrada: ", k); i }
fref <- function(k) paste0("**Fig. ", fn(k), "**")
tref <- function(k) paste0("**Tabla ", tn(k), "**")
fcap <- function(k, titulo, texto = "") paste0("**Fig. ", fn(k), " | ", titulo, ".** ", texto)
tcap <- function(k, titulo, texto = "") {          # título arriba; la nota se imprime bajo la tabla
  .nota$txt <- texto
  paste0('<div class="tcap"><span class="tn">Tabla ', tn(k), '.</span> <b>', titulo, '</b></div>\n\n')
}
fcap_html <- function(k, titulo, texto = "") paste0('<div class="figcap"><b>Fig. ', fn(k), ' | ', titulo, '.</b> ', texto, '</div>\n')

# ---- Sistema de citas con superíndice numérico (orden de primera aparición) ----
REF <- list()
ref <- function(key, texto, tit, anio, doi = NA, url = NA) REF[[key]] <<- list(texto = texto, tit = tit, anio = anio, doi = doi, url = url)
.cit <- new.env(); .cit$orden <- character(0)
reg <- function(keys) {
  for (k in keys) {
    if (is.null(REF[[k]])) stop("Referencia no definida: ", k)
    if (!(k %in% .cit$orden)) .cit$orden <- c(.cit$orden, k)
  }
  match(keys, .cit$orden)
}
rango <- function(n) {
  n <- sort(unique(n)); if (length(n) == 1) return(as.character(n))
  grp <- split(n, cumsum(c(1, diff(n) != 1)))
  paste(vapply(grp, function(g) if (length(g) >= 3) paste0(min(g), "\u2013", max(g)) else paste(g, collapse = ","), character(1)), collapse = ",")
}
cite <- function(...) paste0("<sup>", rango(reg(c(...))), "</sup>")
cn   <- function(...) rango(reg(c(...)))

# ---- Tema gráfico y paletas (Okabe-Ito, apta para daltonismo) ----
COL <- c(sol = "#E69F00", sombra = "#0072B2")
theme_nat <- function(base = 10.5) {
  theme_classic(base_size = base) +
    theme(axis.line = element_line(colour = "grey20", linewidth = .4),
          axis.ticks = element_line(colour = "grey20", linewidth = .4),
          axis.text = element_text(colour = "grey15"),
          panel.grid.major.y = element_line(colour = "grey93", linewidth = .3),
          legend.position = "top", legend.title = element_text(face = "bold", size = base - 1),
          legend.key.size = unit(.9, "lines"),
          plot.title = element_text(face = "bold", size = base + 1),
          plot.tag = element_text(face = "bold", size = base + 3),
          strip.background = element_blank(), strip.text = element_text(face = "bold"))
}
theme_set(theme_nat())
R <- list()   # contenedor de todos los resultados numéricos usados en el texto
```

```{r referencias, include=FALSE}
# ---------------------------------------------------------------------------
# Base de referencias. Cada DOI se contrasta con Crossref al compilar (Apéndice).
# ---------------------------------------------------------------------------
ref("wright2017", "Wright, I. J. <i>et al.</i> Global climatic drivers of leaf size. <i>Science</i> <b>357</b>, 917\u2013921 (2017).",
    "Global climatic drivers of leaf size", 2017, "10.1126/science.aal4760")
ref("parkhurst1972", "Parkhurst, D. F. & Loucks, O. L. Optimal leaf size in relation to environment. <i>J. Ecol.</i> <b>60</b>, 505\u2013537 (1972).",
    "Optimal leaf size in relation to environment", 1972, "10.2307/2258359")
ref("michaletz2015", "Michaletz, S. T. <i>et al.</i> Plant thermoregulation: energetics, trait\u2013environment interactions, and carbon economics. <i>Trends Ecol. Evol.</i> <b>30</b>, 714\u2013724 (2015).",
    "Plant thermoregulation: energetics, trait-environment interactions, and carbon economics", 2015, "10.1016/j.tree.2015.09.006")
ref("givnish1988", "Givnish, T. J. Adaptation to sun and shade: a whole-plant perspective. <i>Aust. J. Plant Physiol.</i> <b>15</b>, 63\u201392 (1988).",
    "Adaptation to sun and shade: a whole-plant perspective", 1988, "10.1071/PP9880063")
ref("valladares2008", "Valladares, F. & Niinemets, \u00dc. Shade tolerance, a key plant feature of complex nature and consequences. <i>Annu. Rev. Ecol. Evol. Syst.</i> <b>39</b>, 237\u2013257 (2008).",
    "Shade tolerance, a key plant feature of complex nature and consequences", 2008, "10.1146/annurev.ecolsys.39.110707.173506")
ref("poorter2009", "Poorter, H., Niinemets, \u00dc., Poorter, L., Wright, I. J. & Villar, R. Causes and consequences of variation in leaf mass per area (LMA): a meta-analysis. <i>New Phytol.</i> <b>182</b>, 565\u2013588 (2009).",
    "Causes and consequences of variation in leaf mass per area (LMA): a meta-analysis", 2009, "10.1111/j.1469-8137.2009.02830.x")
ref("poorter2019", "Poorter, H. <i>et al.</i> A meta-analysis of plant responses to light intensity for 70 traits ranging from molecules to whole plant performance. <i>New Phytol.</i> <b>223</b>, 1073\u20131105 (2019).",
    "A meta-analysis of plant responses to light intensity for 70 traits ranging from molecules to whole plant performance", 2019, "10.1111/nph.15754")
ref("wright2004", "Wright, I. J. <i>et al.</i> The worldwide leaf economics spectrum. <i>Nature</i> <b>428</b>, 821\u2013827 (2004).",
    "The worldwide leaf economics spectrum", 2004, "10.1038/nature02403")
ref("perez2013", "P\u00e9rez-Harguindeguy, N. <i>et al.</i> New handbook for standardised measurement of plant functional traits worldwide. <i>Aust. J. Bot.</i> <b>61</b>, 167\u2013234 (2013).",
    "New handbook for standardised measurement of plant functional traits worldwide", 2013, "10.1071/BT12225")
ref("violle2007", "Violle, C. <i>et al.</i> Let the concept of trait be functional! <i>Oikos</i> <b>116</b>, 882\u2013892 (2007).",
    "Let the concept of trait be functional!", 2007, "10.1111/j.0030-1299.2007.15559.x")
ref("schneider2012", "Schneider, C. A., Rasband, W. S. & Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. <i>Nat. Methods</i> <b>9</b>, 671\u2013675 (2012).",
    "NIH Image to ImageJ: 25 years of image analysis", 2012, "10.1038/nmeth.2089")
ref("hurlbert1984", "Hurlbert, S. H. Pseudoreplication and the design of ecological field experiments. <i>Ecol. Monogr.</i> <b>54</b>, 187\u2013211 (1984).",
    "Pseudoreplication and the design of ecological field experiments", 1984, "10.2307/1942661")
ref("bates2015", "Bates, D., M\u00e4chler, M., Bolker, B. & Walker, S. Fitting linear mixed-effects models using lme4. <i>J. Stat. Softw.</i> <b>67</b>, 1\u201348 (2015).",
    "Fitting linear mixed-effects models using lme4", 2015, "10.18637/jss.v067.i01")
ref("kuznetsova2017", "Kuznetsova, A., Brockhoff, P. B. & Christensen, R. H. B. lmerTest package: tests in linear mixed effects models. <i>J. Stat. Softw.</i> <b>82</b>, 1\u201326 (2017).",
    "lmerTest package: tests in linear mixed effects models", 2017, "10.18637/jss.v082.i13")
ref("satterthwaite1946", "Satterthwaite, F. E. An approximate distribution of estimates of variance components. <i>Biometrics Bull.</i> <b>2</b>, 110\u2013114 (1946).",
    "An approximate distribution of estimates of variance components", 1946, "10.2307/3002019")
ref("nakagawa2013", "Nakagawa, S. & Schielzeth, H. A general and simple method for obtaining R<sup>2</sup> from generalized linear mixed-effects models. <i>Methods Ecol. Evol.</i> <b>4</b>, 133\u2013142 (2013).",
    "A general and simple method for obtaining R2 from generalized linear mixed-effects models", 2013, "10.1111/j.2041-210x.2012.00261.x")
ref("mcgraw1996", "McGraw, K. O. & Wong, S. P. Forming inferences about some intraclass correlation coefficients. <i>Psychol. Methods</i> <b>1</b>, 30\u201346 (1996).",
    "Forming inferences about some intraclass correlation coefficients", 1996, "10.1037/1082-989X.1.1.30")
ref("shapiro1965", "Shapiro, S. S. & Wilk, M. B. An analysis of variance test for normality (complete samples). <i>Biometrika</i> <b>52</b>, 591\u2013611 (1965).",
    "An analysis of variance test for normality (complete samples)", 1965, "10.1093/biomet/52.3-4.591")
ref("welch1947", "Welch, B. L. The generalization of \u2018Student\u2019s\u2019 problem when several different population variances are involved. <i>Biometrika</i> <b>34</b>, 28\u201335 (1947).",
    "The generalization of Student's problem when several different population variances are involved", 1947, "10.1093/biomet/34.1-2.28")
ref("wilcoxon1945", "Wilcoxon, F. Individual comparisons by ranking methods. <i>Biometrics Bull.</i> <b>1</b>, 80\u201383 (1945).",
    "Individual comparisons by ranking methods", 1945, "10.2307/3001968")
ref("kruskal1952", "Kruskal, W. H. & Wallis, W. A. Use of ranks in one-criterion variance analysis. <i>J. Am. Stat. Assoc.</i> <b>47</b>, 583\u2013621 (1952).",
    "Use of ranks in one-criterion variance analysis", 1952, "10.1080/01621459.1952.10483441")
ref("tukey1949", "Tukey, J. W. Comparing individual means in the analysis of variance. <i>Biometrics</i> <b>5</b>, 99\u2013114 (1949).",
    "Comparing individual means in the analysis of variance", 1949, "10.2307/3001913")
ref("holm1979", "Holm, S. A simple sequentially rejective multiple test procedure. <i>Scand. J. Stat.</i> <b>6</b>, 65\u201370 (1979).",
    "A simple sequentially rejective multiple test procedure", 1979, NA, "https://www.jstor.org/stable/4615733")
ref("fligner1976", "Fligner, M. A. & Killeen, T. J. Distribution-free two-sample tests for scale. <i>J. Am. Stat. Assoc.</i> <b>71</b>, 210\u2013213 (1976).",
    "Distribution-free two-sample tests for scale", 1976, "10.1080/01621459.1976.10481517")
ref("brown1974", "Brown, M. B. & Forsythe, A. B. Robust tests for the equality of variances. <i>J. Am. Stat. Assoc.</i> <b>69</b>, 364\u2013367 (1974).",
    "Robust tests for the equality of variances", 1974, "10.1080/01621459.1974.10482955")
ref("efron1979", "Efron, B. Bootstrap methods: another look at the jackknife. <i>Ann. Stat.</i> <b>7</b>, 1\u201326 (1979).",
    "Bootstrap methods: another look at the jackknife", 1979, "10.1214/aos/1176344552")
ref("hedges1981", "Hedges, L. V. Distribution theory for Glass\u2019s estimator of effect size and related estimators. <i>J. Educ. Stat.</i> <b>6</b>, 107\u2013128 (1981).",
    "Distribution theory for Glass's estimator of effect size and related estimators", 1981, "10.3102/10769986006002107")
ref("lakens2013", "Lakens, D. Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs. <i>Front. Psychol.</i> <b>4</b>, 863 (2013).",
    "Calculating and reporting effect sizes to facilitate cumulative science: a practical primer for t-tests and ANOVAs", 2013, "10.3389/fpsyg.2013.00863")
ref("wasserstein2016", "Wasserstein, R. L. & Lazar, N. A. The ASA statement on p-values: context, process, and purpose. <i>Am. Stat.</i> <b>70</b>, 129\u2013133 (2016).",
    "The ASA's statement on p-values: context, process, and purpose", 2016, "10.1080/00031305.2016.1154108")
ref("amrhein2019", "Amrhein, V., Greenland, S. & McShane, B. Scientists rise up against statistical significance. <i>Nature</i> <b>567</b>, 305\u2013307 (2019).",
    "Scientists rise up against statistical significance", 2019, "10.1038/d41586-019-00857-9")
ref("gelman2006", "Gelman, A. & Stern, H. The difference between \u2018significant\u2019 and \u2018not significant\u2019 is not itself statistically significant. <i>Am. Stat.</i> <b>60</b>, 328\u2013331 (2006).",
    "The difference between significant and not significant is not itself statistically significant", 2006, "10.1198/000313006X152649")
ref("wickham2016", "Wickham, H. <i>ggplot2: Elegant Graphics for Data Analysis</i> (Springer, 2016).",
    "ggplot2: Elegant Graphics for Data Analysis", 2016, "10.1007/978-3-319-24277-4")
ref("ueia2014", "Arroyave, M. P., Posada, M. I. & Guti\u00e9rrez, M. E. <i>Cat\u00e1logo virtual de flora del Valle de Aburr\u00e1</i> (Universidad EIA, 2014).",
    "Cat\u00e1logo virtual de flora del Valle de Aburr\u00e1", 2014, NA, "http://catalogofloravalleaburra.eia.edu.co")
ref("rcore", "R Core Team. <i>R: A Language and Environment for Statistical Computing</i> (R Foundation for Statistical Computing, Vienna).",
    "R: A Language and Environment for Statistical Computing", 2024, NA, "https://www.R-project.org/")
```

```{r calc_datos, include=FALSE}
# ===========================================================================
# 1. LECTURA, NORMALIZACIÓN Y REVISIÓN DE CALIDAD
# ===========================================================================
ruta <- params$archivo
if (!file.exists(ruta)) {
  cand <- list.files(pattern = "\\.csv$", ignore.case = TRUE)
  cand <- cand[!grepl("limpi|resultado", cand, ignore.case = TRUE)]
  if (length(cand) == 0) stop("No se encontró el archivo de datos: ", params$archivo)
  ruta <- cand[1]
}
R$archivo <- basename(ruta)
leer <- function(strip) read.csv(ruta, colClasses = "character", na.strings = c("", "NA"),
                                 check.names = FALSE, strip.white = strip, fileEncoding = "UTF-8-BOM")
crudo0 <- leer(FALSE); crudo <- leer(TRUE)
norm_nm <- function(x) { x <- tolower(iconv(x, to = "ASCII//TRANSLIT")); x <- gsub("[^a-z0-9]+", "_", x); gsub("^_+|_+$", "", x) }
names(crudo) <- norm_nm(names(crudo)); names(crudo0) <- norm_nm(names(crudo0))
req <- c("archivo", "arbol", "lado_1_mm", "lado_2_mm", "area_real_cm2", "exposicion", "latitud", "longitud")
if (length(setdiff(req, names(crudo))) > 0) stop("Faltan columnas en la base: ", paste(setdiff(req, names(crudo)), collapse = ", "))
col <- function(nm) if (nm %in% names(crudo)) crudo[[nm]] else rep(NA_character_, nrow(crudo))

parse_num <- function(x) {
  x <- trimws(as.character(x)); x[x %in% c("", "NA", "na", "N/A", "-")] <- NA
  suppressWarnings(as.numeric(gsub(",", ".", x, fixed = TRUE)))
}
# Coordenadas escritas con puntos como separador de miles ("3.379.480" = 3,379480)
parse_coord <- function(x) {
  vapply(as.character(x), function(s) {
    if (is.na(s) || trimws(s) == "") return(NA_real_)
    s <- gsub(",", ".", trimws(s), fixed = TRUE); neg <- grepl("^-", s); s2 <- sub("^[-+]", "", s)
    p <- strsplit(s2, ".", fixed = TRUE)[[1]]
    v <- if (length(p) >= 3) suppressWarnings(as.numeric(paste0(p[1], ".", paste(p[-1], collapse = "")))) else suppressWarnings(as.numeric(s2))
    if (neg) -v else v
  }, numeric(1), USE.NAMES = FALSE)
}
haversine <- function(lat1, lon1, lat2, lon2) {
  rad <- pi / 180
  a <- sin((lat2 - lat1) * rad / 2)^2 + cos(lat1 * rad) * cos(lat2 * rad) * sin((lon2 - lon1) * rad / 2)^2
  2 * 6371000 * asin(sqrt(a))
}

datos <- data.frame(fila = seq_len(nrow(crudo)), archivo = crudo$archivo, arbol_raw = crudo$arbol, stringsAsFactors = FALSE)
num <- suppressWarnings(as.integer(gsub("\\D", "", datos$arbol_raw)))
datos$arbol <- ifelse(is.na(num), toupper(trimws(datos$arbol_raw)), paste0("T", num))
datos$arbol_n <- num
datos$n_hoja <- ave(seq_len(nrow(datos)), datos$arbol, FUN = seq_along)
e <- tolower(trimws(iconv(crudo$exposicion, to = "ASCII//TRANSLIT")))
datos$exposicion <- factor(ifelse(grepl("^sol", e), "sol", ifelse(grepl("^somb", e), "sombra", NA)), levels = c("sol", "sombra"))
datos$lado1 <- parse_num(crudo$lado_1_mm); datos$lado2 <- parse_num(crudo$lado_2_mm)
datos$marco_cm2 <- datos$lado1 * datos$lado2 / 100            # mm x mm -> cm2
datos$aspecto <- pmax(datos$lado1, datos$lado2) / pmin(datos$lado1, datos$lado2)
datos$area_orig <- parse_num(crudo$area_real_cm2)
datos$lat <- parse_coord(crudo$latitud); datos$lon <- parse_coord(crudo$longitud)
datos$altitud <- parse_num(col("altitud_m")); datos$especie <- col("especie"); datos$genero <- col("genero")
datos$descripcion <- col("descripcion")
datos$razon_marco <- datos$area_orig / datos$marco_cm2

# ---- Decisiones explícitas fila por fila ----
datos$estado <- "ok"
datos$estado[is.na(datos$area_orig)] <- "sin área (pendiente)"
datos$estado[!is.na(datos$area_orig) & datos$area_orig <= 0] <- "área no válida (<= 0)"
imposible <- !is.na(datos$razon_marco) & datos$razon_marco > 1
r100 <- datos$razon_marco / 100
corregible <- imposible & !is.na(r100) & r100 > 0.2 & r100 <= 1
datos$area <- datos$area_orig
datos$area[corregible] <- datos$area_orig[corregible] / 100
datos$estado[corregible] <- "corregida (mm² → cm²)"
datos$estado[imposible & !corregible] <- "área mayor que el marco"
datos$usar <- datos$estado %in% c("ok", "corregida (mm² → cm²)")
datos$ln_area <- ifelse(datos$usar, log(datos$area), NA_real_)
datos$ln_marco <- log(datos$marco_cm2)

lim <- datos[datos$usar, ]                       # base analítica primaria (áreas medidas)
arboles_all <- sort(unique(datos$arbol))
R$n_filas <- nrow(datos); R$n_arb <- length(arboles_all)
R$n_med <- sum(datos$usar); R$n_falta <- sum(datos$estado == "sin área (pendiente)")
R$pct_falta <- 100 * R$n_falta / R$n_filas
R$especie <- unique(na.omit(datos$especie)); R$especie <- if (length(R$especie)) paste(R$especie, collapse = " / ") else "especie no indicada"
R$altitud <- unique(na.omit(datos$altitud))

# ---- Resumen por árbol de la completitud ----
comp <- do.call(rbind, lapply(split(datos, datos$arbol), function(d)
  data.frame(arbol = d$arbol[1], exposicion = as.character(d$exposicion[1]), n_total = nrow(d), n_medida = sum(d$usar),
             n_falta = sum(d$estado == "sin área (pendiente)"), stringsAsFactors = FALSE)))
comp <- comp[order(as.integer(gsub("\\D", "", comp$arbol))), ]
comp$pct <- 100 * comp$n_medida / comp$n_total
R$arb_sin_medida <- comp$arbol[comp$n_medida == 0]
R$arb_pocas <- comp$arbol[comp$n_medida > 0 & comp$n_medida < params$min_hojas_arbol]

# ---- Coordenadas por árbol y distancias ----
geo <- aggregate(cbind(lat, lon) ~ arbol + exposicion, data = datos, FUN = mean)
geo <- geo[order(as.integer(gsub("\\D", "", geo$arbol))), ]
pares <- t(combn(nrow(geo), 2))
dist_par <- data.frame(a = geo$arbol[pares[, 1]], b = geo$arbol[pares[, 2]],
                       d_m = haversine(geo$lat[pares[, 1]], geo$lon[pares[, 1]], geo$lat[pares[, 2]], geo$lon[pares[, 2]]))
R$dist_min <- min(dist_par$d_m); R$dist_max <- max(dist_par$d_m)
R$dup_arbol <- dist_par[dist_par$d_m < params$dist_duplicado_m, ]
lat0 <- mean(geo$lat); lon0 <- mean(geo$lon)
geo$x_m <- (geo$lon - lon0) * 111320 * cos(lat0 * pi / 180)
geo$y_m <- (geo$lat - lat0) * 110574
R$lejano <- geo$arbol[which.max(sqrt(geo$x_m^2 + geo$y_m^2))]
R$dist_lejano <- max(sqrt(geo$x_m^2 + geo$y_m^2))

# ---- Banderas de calidad ----
R$n_ws <- sum(grepl("^\\s+|\\s+$", crudo0$area_real_cm2), na.rm = TRUE)
R$n_coord_miles <- sum(grepl("^-?[0-9]+(\\.[0-9]{3}){2,}$", trimws(crudo$latitud)), na.rm = TRUE)
R$n_expo_na <- sum(is.na(datos$exposicion))
inc_expo <- tapply(as.character(datos$exposicion), datos$arbol, function(z) length(unique(z)))
inc_xy <- tapply(paste(datos$lat, datos$lon), datos$arbol, function(z) length(unique(z)))
R$incons <- sum(inc_expo > 1) + sum(inc_xy > 1)
R$n_dup_arch <- sum(duplicated(datos$archivo))
R$n_cero <- sum(datos$estado == "área no válida (<= 0)"); R$n_mayor <- sum(datos$estado == "área mayor que el marco")
R$n_corr <- sum(datos$estado == "corregida (mm² → cm²)")
R$cols_plantilla_faltan <- setdiff(c("grupo", "id_arbol", "fecha", "observaciones"), names(crudo))
R$ratio_ok <- range(datos$razon_marco[datos$usar], na.rm = TRUE)
nm_hoja <- suppressWarnings(as.integer(gsub("\\D", "", datos$archivo)))
R$archivo_seq <- !any(is.na(nm_hoja)) && all(diff(nm_hoja) == 1)
R$hojas_x_arbol <- range(table(datos$arbol))

qc_tab <- data.frame(
  Verificación = c("Estructura de la base", "Hojas por árbol", "Áreas en blanco (pendientes)", "Árboles sin ninguna área medida",
                   "Espacios sobrantes en el área", "Coordenadas con separador de miles", "Exposición válida y constante por árbol",
                   "Área ≤ 0 o mayor que el marco", "Archivos de foto repetidos", "Árbol medido dos veces (< umbral de distancia)",
                   "Columnas de la plantilla ausentes"),
  Resultado = c(paste0(R$n_filas, " filas × ", ncol(crudo), " columnas; ", R$n_arb, " árboles"),
                paste0(R$hojas_x_arbol[1], if (R$hojas_x_arbol[1] != R$hojas_x_arbol[2]) paste0("–", R$hojas_x_arbol[2]) else "", " (protocolo: 10)"),
                paste0(R$n_falta, " de ", R$n_filas, " (", fx(R$pct_falta, 1), " %)"),
                if (length(R$arb_sin_medida)) paste(R$arb_sin_medida, collapse = ", ") else "ninguno",
                paste0(R$n_ws, " celdas"), paste0(R$n_coord_miles, " filas"),
                paste0(R$n_expo_na, " valores no reconocidos; ", R$incons, " inconsistencias"),
                paste0(R$n_cero + R$n_mayor, " filas (", R$n_corr, " corregidas por unidad)"),
                paste0(R$n_dup_arch), paste0(nrow(R$dup_arbol), " pares"),
                if (length(R$cols_plantilla_faltan)) paste(R$cols_plantilla_faltan, collapse = ", ") else "ninguna"),
  Decisión = c("Se normalizan nombres de columna y tipos", "Se conserva el n real de cada árbol",
               "Se excluyen del análisis primario; se estiman aparte (sensibilidad)", "Se excluyen del nivel de árbol; se usan en el análisis del marco",
               "Se eliminan al leer (strip)", "Se reconstruye el valor decimal (3.379.480 → 3,379480)",
               "Se verifica; los no válidos se excluirían", "Se corrigen si el cociente /100 es plausible; si no, se excluyen",
               "Se eliminan duplicados", "Se unificarían bajo un solo árbol", "Se advierte; no afecta al análisis"),
  stringsAsFactors = FALSE)
```

```{r calc_proxy, include=FALSE}
# ===========================================================================
# 2. VALIDACIÓN DEL MARCO COMO PROXY DEL ÁREA Y MODELO DE COMPLETADO
# ===========================================================================
R$proxy_ok <- nrow(lim) >= 5 && length(unique(lim$arbol)) >= 1
if (R$proxy_ok) {
  m_px <- lm(ln_area ~ ln_marco, data = lim)
  smx <- summary(m_px)
  R$px_r2 <- smx$r.squared; R$px_sigma <- smx$sigma
  R$px_b <- coef(m_px)[["ln_marco"]]; R$px_b_ic <- confint(m_px)["ln_marco", ]
  R$px_a <- coef(m_px)[["(Intercept)"]]
  loo <- resid(m_px) / (1 - hatvalues(m_px)); R$px_loo_rmse <- sqrt(mean(loo^2))
  R$fill_mean <- mean(lim$razon_marco); R$fill_sd <- sd(lim$razon_marco); R$fill_cv <- cv(lim$razon_marco)
  R$fill_range <- range(lim$razon_marco)
  # ¿el cociente área/marco depende del árbol o de la exposición?
  lim$ln_fill <- log(lim$razon_marco)
  an_fill_t <- if (length(unique(lim$arbol)) >= 2) safe(anova(lm(ln_fill ~ arbol, data = lim))) else NULL
  an_fill_e <- if (length(unique(lim$exposicion)) >= 2) safe(anova(lm(ln_fill ~ exposicion, data = lim))) else NULL
  R$fill_p_arbol <- if (!is.null(an_fill_t)) an_fill_t$`Pr(>F)`[1] else NA
  R$fill_p_expo <- if (!is.null(an_fill_e)) an_fill_e$`Pr(>F)`[1] else NA
  m_px_e <- safe(lm(ln_area ~ ln_marco + exposicion, data = lim))
  R$px_expo_p <- if (!is.null(m_px_e) && "exposicionsombra" %in% rownames(summary(m_px_e)$coefficients)) summary(m_px_e)$coefficients["exposicionsombra", 4] else NA
}
# completado determinista (con corrección de retransformación) y estocástico
datos$area_f <- ifelse(datos$usar, datos$area, NA_real_)
datos$origen <- ifelse(datos$usar, "medida", NA_character_)
idx_falta <- which(!datos$usar & !is.na(datos$marco_cm2))
R$n_imp <- length(idx_falta)
if (R$proxy_ok && R$n_imp > 0) {
  pr <- predict(m_px, newdata = datos[idx_falta, ], se.fit = TRUE)
  datos$area_f[idx_falta] <- exp(pr$fit + R$px_sigma^2 / 2)
  datos$origen[idx_falta] <- "completada (modelo)"
  pri <- predict(m_px, newdata = datos[idx_falta, ], interval = "prediction")
  R$imp_pi_rel <- mean((exp(pri[, "upr"]) - exp(pri[, "lwr"])) / 2 / exp(pri[, "fit"]))
}
datos$ln_area_f <- log(datos$area_f)
```

```{r calc_desc, include=FALSE}
# ===========================================================================
# 3. ESTADÍSTICA DESCRIPTIVA, ÁRBOL COMO UNIDAD, ATÍPICOS
# ===========================================================================
resumen_arbol <- function(d) {
  n <- nrow(d); x <- d$area
  tcrit <- if (n > 1) qt(0.975, n - 1) else NA
  data.frame(arbol = d$arbol[1], exposicion = as.character(d$exposicion[1]), n = n,
             media = mean(x), mediana = median(x), de = if (n > 1) sd(x) else NA, cv = if (n > 1) cv(x) else NA,
             ee = if (n > 1) sd(x) / sqrt(n) else NA, li = if (n > 1) mean(x) - tcrit * sd(x) / sqrt(n) else NA,
             ls = if (n > 1) mean(x) + tcrit * sd(x) / sqrt(n) else NA, min = min(x), max = max(x),
             ric = IQR(x), media_ln = mean(d$ln_area), de_ln = if (n > 1) sd(d$ln_area) else NA,
             geom = exp(mean(d$ln_area)), lat = d$lat[1], lon = d$lon[1], stringsAsFactors = FALSE)
}
desc_all <- do.call(rbind, lapply(split(lim, lim$arbol), resumen_arbol))
desc_all <- desc_all[order(as.integer(gsub("\\D", "", desc_all$arbol))), ]
arb <- desc_all[desc_all$n >= params$min_hojas_arbol, ]          # árboles que entran a la inferencia
arb$exposicion <- factor(arb$exposicion, levels = c("sol", "sombra"))
lim$arbol_f <- factor(lim$arbol)
limA <- lim[lim$arbol %in% arb$arbol, ]; limA$arbol_f <- factor(limA$arbol)
limA$exposicion <- droplevels(limA$exposicion)
R$n_arb_inf <- nrow(arb); R$n_sol <- sum(arb$exposicion == "sol"); R$n_som <- sum(arb$exposicion == "sombra")
R$arb_sol <- arb$arbol[arb$exposicion == "sol"]; R$arb_som <- arb$arbol[arb$exposicion == "sombra"]
R$arb_excl <- setdiff(arboles_all, arb$arbol)
R$m_sol <- mean(arb$media[arb$exposicion == "sol"]); R$m_som <- mean(arb$media[arb$exposicion == "sombra"])
R$g_sol <- exp(mean(arb$media_ln[arb$exposicion == "sol"])); R$g_som <- exp(mean(arb$media_ln[arb$exposicion == "sombra"]))
R$cv_rango <- range(desc_all$cv, na.rm = TRUE); R$media_rango <- range(desc_all$media)
R$arb_max <- desc_all$arbol[which.max(desc_all$media)]; R$arb_min <- desc_all$arbol[which.min(desc_all$media)]

# ---- Valores atípicos: Tukey por árbol, z robusto (MAD) y residuos studentizados ----
atip <- do.call(rbind, lapply(split(lim, lim$arbol), function(d) {
  if (nrow(d) < 4) return(NULL)
  x <- d$area; q <- quantile(x, c(.25, .75)); iqr <- diff(q)
  med <- median(x); madv <- mad(x, constant = 1)
  z <- if (madv > 0) 0.6745 * (x - med) / madv else rep(0, length(x))
  out_t <- x < q[1] - 1.5 * iqr | x > q[2] + 1.5 * iqr
  data.frame(arbol = d$arbol, n_hoja = d$n_hoja, area = x, z_robusto = z, fuera_tukey = out_t, fuera_z = abs(z) > 3.5,
             razon_mediana = x / med, stringsAsFactors = FALSE)
}))
if (is.null(atip)) atip <- data.frame(arbol = character(), n_hoja = integer(), area = numeric(), z_robusto = numeric(),
                                      fuera_tukey = logical(), fuera_z = logical(), razon_mediana = numeric())
atip_marcadas <- atip[atip$fuera_tukey | atip$fuera_z, ]
R$n_atip <- nrow(atip_marcadas)
m_res <- if (length(unique(limA$arbol)) >= 2) safe(lm(ln_area ~ arbol_f, data = limA)) else NULL
if (!is.null(m_res)) {
  limA$rstud <- rstudent(m_res); limA$cook <- cooks.distance(m_res)
  R$n_rstud <- sum(abs(limA$rstud) > 3, na.rm = TRUE); R$n_cook <- sum(limA$cook > 4 / nrow(limA), na.rm = TRUE)
} else { limA$rstud <- NA; limA$cook <- NA; R$n_rstud <- NA; R$n_cook <- NA }
# sensibilidad al tratamiento de atípicos (diferencia sombra - sol entre medias de árbol)
sens_est <- function(d, tipo) {
  if (tipo == "media") f <- function(x) mean(x)
  if (tipo == "mediana") f <- function(x) median(x)
  if (tipo == "sin_atip") { f <- function(x) { if (length(x) < 4) return(mean(x)); o <- boxplot.stats(x)$out; mean(x[!x %in% o]) } }
  if (tipo == "recortada") f <- function(x) mean(x, trim = 0.2)
  mt <- tapply(d$area, d$arbol, f); te <- tapply(as.character(d$exposicion), d$arbol, function(z) z[1])
  mean(mt[te == "sombra"]) - mean(mt[te == "sol"])
}
sens_tab <- data.frame(Resumen = c("Media aritmética por árbol", "Mediana por árbol", "Media sin hojas atípicas (Tukey)", "Media recortada 20 %"),
                       dif = vapply(c("media", "mediana", "sin_atip", "recortada"), function(t) sens_est(limA, t), numeric(1)),
                       stringsAsFactors = FALSE)
R$sens_rango <- range(sens_tab$dif, na.rm = TRUE)
```

```{r calc_inferencia, include=FALSE}
# ===========================================================================
# 4. INFERENCIA SOBRE LA EXPOSICIÓN (UNIDAD = ÁRBOL)
# ===========================================================================
perm_exact <- function(y, g) {
  n <- length(y); k <- sum(g)
  if (k < 1 || k >= n) return(NULL)
  if (choose(n, k) > 2e5) return(NULL)          # demasiadas combinaciones: se omite
  idx <- combn(n, k)
  d <- apply(idx, 2, function(i) mean(y[i]) - mean(y[-i]))
  obs <- mean(y[g]) - mean(y[!g])
  pmin_ <- mean(abs(d) >= max(abs(d)) - 1e-9)
  list(d = d, obs = obs, p = mean(abs(d) >= abs(obs) - 1e-9), n_rep = ncol(idx), p_min = pmin_)
}
bateria <- function(a, col = "media_ln") {
  a <- a[is.finite(a[[col]]), ]
  y <- a[[col]]; g <- as.character(a$exposicion) == "sombra"
  ns <- sum(!g); nm <- sum(g)
  o <- list(n_sol = ns, n_som = nm, dif = NA_real_, razon = NA_real_, li = NA_real_, ls = NA_real_, p_welch = NA_real_,
            df = NA_real_, p_wilcox = NA_real_, p_perm = NA_real_, p_min = NA_real_, g = NA_real_, g_li = NA_real_, g_ls = NA_real_, perm = NULL)
  if (ns < 1 || nm < 1) return(o)
  o$dif <- mean(y[g]) - mean(y[!g]); o$razon <- exp(o$dif)
  if (ns >= 2 && nm >= 2) {
    tt <- t.test(y[g], y[!g]); o$li <- exp(tt$conf.int[1]); o$ls <- exp(tt$conf.int[2]); o$p_welch <- tt$p.value; o$df <- unname(tt$parameter)
    sp <- sqrt(((nm - 1) * var(y[g]) + (ns - 1) * var(y[!g])) / (ns + nm - 2))
    J <- 1 - 3 / (4 * (ns + nm - 2) - 1); o$g <- J * o$dif / sp
    se_g <- sqrt((ns + nm) / (ns * nm) + o$g^2 / (2 * (ns + nm - 2))); o$g_li <- o$g - 1.96 * se_g; o$g_ls <- o$g + 1.96 * se_g
    o$p_wilcox <- suppressWarnings(wilcox.test(y[g], y[!g], exact = TRUE)$p.value)
  }
  if (length(y) >= 3) { pe <- perm_exact(y, g); if (!is.null(pe)) { o$p_perm <- pe$p; o$p_min <- pe$p_min; o$perm <- pe } }
  o
}
# A) área medida, ln del área por árbol
bA <- bateria(arb, "media_ln"); R$bA <- bA
# A') en cm2 (diferencia aritmética de medias de árbol)
bcm <- NULL
if (R$n_sol >= 2 && R$n_som >= 2) {
  tt_cm <- t.test(arb$media[arb$exposicion == "sombra"], arb$media[arb$exposicion == "sol"])
  bcm <- list(dif = unname(tt_cm$estimate[1] - tt_cm$estimate[2]), li = tt_cm$conf.int[1], ls = tt_cm$conf.int[2], p = tt_cm$p.value)
}
R$bcm <- bcm
R$dif_cm <- R$m_som - R$m_sol
# B) proxy: marco de todas las hojas
prox <- do.call(rbind, lapply(split(datos[!is.na(datos$ln_marco) & !is.na(datos$exposicion), ], datos$arbol[!is.na(datos$ln_marco) & !is.na(datos$exposicion)]),
                              function(d) data.frame(arbol = d$arbol[1], exposicion = as.character(d$exposicion[1]), media_ln = mean(d$ln_marco), n = nrow(d))))
prox$exposicion <- factor(prox$exposicion, levels = c("sol", "sombra"))
bB <- bateria(prox, "media_ln"); R$bB <- bB
# C) áreas medidas + completadas por el modelo del marco
comp_arb <- do.call(rbind, lapply(split(datos[!is.na(datos$ln_area_f) & !is.na(datos$exposicion), ], datos$arbol[!is.na(datos$ln_area_f) & !is.na(datos$exposicion)]),
                                  function(d) data.frame(arbol = d$arbol[1], exposicion = as.character(d$exposicion[1]), media_ln = mean(d$ln_area_f),
                                                         media = mean(d$area_f), n = nrow(d), n_imp = sum(d$origen == "completada (modelo)"))))
comp_arb$exposicion <- factor(comp_arb$exposicion, levels = c("sol", "sombra"))
bC <- bateria(comp_arb, "media_ln"); R$bC <- bC
# C') incertidumbre del completado (simulación)
R$sim <- NULL
if (R$proxy_ok && R$n_imp > 0) {
  pr_s <- predict(m_px, newdata = datos[idx_falta, ], se.fit = TRUE)
  sd_s <- sqrt(R$px_sigma^2 + pr_s$se.fit^2)
  te <- tapply(as.character(datos$exposicion), datos$arbol, function(z) z[1])
  ln_base <- datos$ln_area_f; ln_base[idx_falta] <- NA
  sim <- replicate(params$M_imp, {
    x <- ln_base; x[idx_falta] <- pr_s$fit + rnorm(length(idx_falta), 0, sd_s)
    mt <- tapply(x, datos$arbol, mean, na.rm = TRUE); mt <- mt[names(te)]
    mean(mt[te == "sombra"], na.rm = TRUE) - mean(mt[te == "sol"], na.rm = TRUE)
  })
  R$sim <- sim; R$sim_q <- quantile(exp(sim), c(.025, .5, .975), na.rm = TRUE)
}
# D) pseudorreplicación: hojas como datos independientes (¡incorrecto!)
R$pseudo <- NULL
if (length(unique(limA$exposicion)) == 2) {
  tp <- t.test(ln_area ~ exposicion, data = limA)
  R$pseudo <- list(razon = exp(unname(tp$estimate[2] - tp$estimate[1])), li = exp(-tp$conf.int[2]), ls = exp(-tp$conf.int[1]),
                   p = tp$p.value, n = nrow(limA))
}
# E) bootstrap jerárquico en dos etapas
boot_dos <- function(d, B) {
  tr <- unique(d[, c("arbol", "exposicion")]); v <- split(d$ln_area, d$arbol)
  tr$exposicion <- as.character(tr$exposicion)
  out <- numeric(B)
  for (b in seq_len(B)) {
    m <- vapply(c("sol", "sombra"), function(ex) {
      ids <- tr$arbol[tr$exposicion == ex]
      s <- ids[sample.int(length(ids), length(ids), replace = TRUE)]
      mean(vapply(s, function(a) { x <- v[[a]]; mean(x[sample.int(length(x), length(x), replace = TRUE)]) }, numeric(1)))
    }, numeric(1))
    out[b] <- m["sombra"] - m["sol"]
  }
  out
}
R$boot <- NULL
if (R$n_sol >= 1 && R$n_som >= 1) {
  bt <- boot_dos(limA, params$B_boot); R$boot <- bt
  R$boot_ci <- exp(quantile(bt, c(.025, .975))); R$boot_prob <- mean(bt > 0)
  R$boot_nuniq <- choose(2 * R$n_sol - 1, R$n_sol) * choose(2 * R$n_som - 1, R$n_som)   # remuestras de árboles distintas
}
# F) leave-one-tree-out (jackknife por árbol)
jk <- do.call(rbind, lapply(arb$arbol, function(a) {
  s <- arb[arb$arbol != a, ]
  data.frame(omitido = a, exposicion = as.character(arb$exposicion[arb$arbol == a]),
             razon = if (any(s$exposicion == "sol") && any(s$exposicion == "sombra"))
               exp(mean(s$media_ln[s$exposicion == "sombra"]) - mean(s$media_ln[s$exposicion == "sol"])) else NA_real_)
}))
R$jk <- jk; R$jk_rango <- range(jk$razon, na.rm = TRUE)
R$jk_cruza <- !is.na(R$jk_rango[1]) && R$jk_rango[1] < 1 && R$jk_rango[2] > 1
```

```{r calc_modelos, include=FALSE}
# ===========================================================================
# 5. MODELOS: ANOVA ANIDADO, MODELO MIXTO, ANOVA DE UN FACTOR Y TUKEY
# ===========================================================================
two_expo <- length(unique(limA$exposicion)) == 2
R$nested <- NULL
if (two_expo && length(unique(limA$arbol)) >= 3) {
  m_nest <- lm(ln_area ~ exposicion + arbol_f, data = limA)
  an <- anova(m_nest)
  if (nrow(an) >= 3) {
    Fe <- an$`Mean Sq`[1] / an$`Mean Sq`[2]; pe <- pf(Fe, an$Df[1], an$Df[2], lower.tail = FALSE)
    Fa <- an$`Mean Sq`[2] / an$`Mean Sq`[3]; pa <- pf(Fa, an$Df[2], an$Df[3], lower.tail = FALSE)
    R$nested <- list(an = an, Fe = Fe, pe = pe, Fa = Fa, pa = pa)
  }
}
R$mix <- NULL
if (HAS_LMER && two_expo && length(unique(limA$arbol)) >= 3) {
  m_mix <- lmerTest::lmer(ln_area ~ exposicion + (1 | arbol), data = limA, REML = TRUE)
  m_nul <- lmerTest::lmer(ln_area ~ 1 + (1 | arbol), data = limA, REML = TRUE)
  cf <- summary(m_mix)$coefficients
  b <- cf["exposicionsombra", "Estimate"]; se <- cf["exposicionsombra", "Std. Error"]; dfb <- cf["exposicionsombra", "df"]
  vc <- as.data.frame(lme4::VarCorr(m_mix)); v_t <- vc$vcov[vc$grp == "arbol"]; v_e <- vc$vcov[vc$grp == "Residual"]
  vc0 <- as.data.frame(lme4::VarCorr(m_nul)); v_t0 <- vc0$vcov[vc0$grp == "arbol"]; v_e0 <- vc0$vcov[vc0$grp == "Residual"]
  X <- lme4::getME(m_mix, "X"); vf <- var(as.numeric(X %*% lme4::fixef(m_mix)))
  rn <- safe(lmerTest::ranova(m_mix))
  R$mix <- list(m = m_mix, b = b, se = se, df = dfb, t = cf["exposicionsombra", "t value"], p = cf["exposicionsombra", "Pr(>|t|)"],
                razon = exp(b), li = exp(b - qt(.975, dfb) * se), ls = exp(b + qt(.975, dfb) * se),
                v_t = v_t, v_e = v_e, icc_adj = v_t / (v_t + v_e), icc0 = v_t0 / (v_t0 + v_e0), v_t0 = v_t0, v_e0 = v_e0,
                r2m = vf / (vf + v_t + v_e), r2c = (vf + v_t) / (vf + v_t + v_e),
                p_ranef = if (!is.null(rn)) rn$`Pr(>Chisq)`[2] else NA, singular = lme4::isSingular(m_mix))
}
# ICC de un factor por ANOVA (n0 = tamaño medio ponderado), con IC de McGraw-Wong
R$icc <- NULL
if (length(unique(limA$arbol)) >= 2) {
  a1 <- anova(lm(ln_area ~ arbol_f, data = limA)); k <- nlevels(limA$arbol_f); N <- nrow(limA); ni <- table(limA$arbol_f)
  n0 <- (N - sum(ni^2) / N) / (k - 1); Fv <- a1$`F value`[1]; d1 <- a1$Df[1]; d2 <- a1$Df[2]
  icc <- (Fv - 1) / (Fv + n0 - 1)
  FL <- Fv / qf(.975, d1, d2); FU <- Fv * qf(.975, d2, d1)
  R$icc <- list(icc = icc, li = (FL - 1) / (FL + n0 - 1), ls = (FU - 1) / (FU + n0 - 1), n0 = n0, F = Fv, d1 = d1, d2 = d2, p = a1$`Pr(>F)`[1], an = a1)
  ss <- a1$`Sum Sq`; R$eta2 <- ss[1] / sum(ss); R$omega2 <- (ss[1] - d1 * a1$`Mean Sq`[2]) / (sum(ss) + a1$`Mean Sq`[2])
}
# supuestos y alternativas robustas del ANOVA de un factor
R$sup <- NULL
if (!is.null(R$icc)) {
  m1 <- lm(ln_area ~ arbol_f, data = limA)
  sh <- shapiro.test(resid(m1)); fl <- fligner.test(ln_area ~ arbol_f, data = limA)
  limA$absdev <- abs(limA$ln_area - ave(limA$ln_area, limA$arbol_f, FUN = median)); bf <- anova(lm(absdev ~ arbol_f, data = limA))
  wa <- oneway.test(ln_area ~ arbol_f, data = limA, var.equal = FALSE); kw <- kruskal.test(ln_area ~ arbol_f, data = limA)
  R$sup <- list(m1 = m1, sh_p = sh$p.value, sh_W = unname(sh$statistic), fl_p = fl$p.value, bf_p = bf$`Pr(>F)`[1],
                welch_F = unname(wa$statistic), welch_df = unname(wa$parameter), welch_p = wa$p.value, kw_p = kw$p.value, kw_chi = unname(kw$statistic))
}
# Tukey HSD entre árboles (razones de áreas)
R$tk <- NULL
if (!is.null(R$icc) && nlevels(limA$arbol_f) >= 3) {
  tk <- TukeyHSD(aov(ln_area ~ arbol_f, data = limA))$arbol_f
  tkt <- data.frame(comparacion = rownames(tk), razon = exp(tk[, "diff"]), li = exp(tk[, "lwr"]), ls = exp(tk[, "upr"]), p = tk[, "p adj"], stringsAsFactors = FALSE)
  pp <- strsplit(tkt$comparacion, "-")
  te2 <- tapply(as.character(limA$exposicion), as.character(limA$arbol), function(z) z[1])
  tkt$misma <- vapply(pp, function(x) length(unique(te2[x])) == 1, logical(1))
  tkt$comparacion <- vapply(pp, function(x) paste0(x[1], " / ", x[2]), character(1))
  tkt <- tkt[order(tkt$p), ]
  pw <- pairwise.t.test(limA$ln_area, limA$arbol_f, pool.sd = FALSE, p.adjust.method = "holm")$p.value
  getp <- function(a, b) {
    if (a %in% rownames(pw) && b %in% colnames(pw)) pw[a, b] else if (b %in% rownames(pw) && a %in% colnames(pw)) pw[b, a] else NA_real_
  }
  tkt$p_welch_holm <- vapply(strsplit(tkt$comparacion, " / "), function(x) getp(x[1], x[2]), numeric(1))
  R$tk <- tkt; R$tk_nsig <- sum(tkt$p < 0.05); R$tk_n <- nrow(tkt)
  R$tk_misma_sig <- sum(tkt$misma & tkt$p < 0.05); R$tk_misma_n <- sum(tkt$misma)
}
# Potencia / diferencia mínima detectable con la SD entre árboles observada
R$pot <- NULL
sd_t <- NA
if (nrow(arb) >= 3 && R$n_sol + R$n_som - 2 >= 1) {
  res_t <- c(arb$media_ln[arb$exposicion == "sol"] - mean(arb$media_ln[arb$exposicion == "sol"]),
             arb$media_ln[arb$exposicion == "sombra"] - mean(arb$media_ln[arb$exposicion == "sombra"]))
  gl_t <- R$n_sol + R$n_som - 2; sd_t <- sqrt(sum(res_t^2) / gl_t)
  sd_ic <- sd_t * sqrt(gl_t / qchisq(c(.975, .025), gl_t))
  ns <- 2:25
  mde <- vapply(ns, function(n) exp(power.t.test(n = n, power = .8, sd = sd_t, sig.level = .05)$delta), numeric(1))
  req_n <- vapply(c(1.2, 1.3, 1.5, 2), function(r) ceiling(power.t.test(delta = log(r), power = .8, sd = sd_t, sig.level = .05)$n), numeric(1))
  R$pot <- list(sd_t = sd_t, sd_ic = sd_ic, gl = gl_t, ns = ns, mde = mde, req = data.frame(razon = c(1.2, 1.3, 1.5, 2), n = req_n))
}
# Forma de la hoja (relación de aspecto del marco)
asp <- do.call(rbind, lapply(split(datos[!is.na(datos$aspecto) & !is.na(datos$exposicion), ], datos$arbol[!is.na(datos$aspecto) & !is.na(datos$exposicion)]),
                             function(d) data.frame(arbol = d$arbol[1], exposicion = as.character(d$exposicion[1]), media_ln = mean(log(d$aspecto)), asp = mean(d$aspecto))))
asp$exposicion <- factor(asp$exposicion, levels = c("sol", "sombra"))
bAsp <- bateria(asp, "media_ln"); R$bAsp <- bAsp; R$asp_rango <- range(datos$aspecto, na.rm = TRUE)
R$asp_media <- mean(datos$aspecto, na.rm = TRUE)
if (isTRUE(params$guardar_limpios)) write.csv(datos[, c("fila", "archivo", "arbol", "exposicion", "n_hoja", "lado1", "lado2", "marco_cm2", "area_orig", "area", "estado", "area_f", "origen", "lat", "lon")],
                                              "datos_limpios_area_foliar.csv", row.names = FALSE, na = "")
```

```{r calc_frases, include=FALSE}
# ===========================================================================
# 6. FRASES DINÁMICAS (se recalculan cuando se completen las áreas faltantes)
# ===========================================================================
clasifica <- function(b) {            # b: salida de bateria()
  if (is.na(b$p_welch)) return("no evaluable con tan pocos árboles")
  if (!is.na(b$li) && b$li <= 1 && b$ls >= 1) return("no concluyente (el intervalo incluye 1)")
  if (b$razon > 1) "mayor en sombra" else "mayor en sol"
}
R$dir_A <- if (is.na(bA$razon)) "indeterminada" else if (bA$razon > 1) "mayor en sombra" else "mayor en sol"
R$conc_A <- clasifica(bA); R$conc_B <- clasifica(bB); R$conc_C <- clasifica(bC)
R$h1_apoyada <- !is.na(bA$razon) && bA$razon < 1 && !is.na(bA$ls) && bA$ls < 1     # H1: área mayor en sol (razón sombra/sol < 1)
R$frase_h1 <- {
  if (is.na(bA$p_welch)) "El diseño actual no permite evaluar las hipótesis con la unidad de análisis correcta."
  else if (R$h1_apoyada) "La dirección y el intervalo de confianza son compatibles con H1 (área foliar mayor a pleno sol) y contrarios a H2."
  else if (bA$razon < 1) "La dirección coincide con H1 (hojas mayores a pleno sol), pero el intervalo de confianza incluye la ausencia de efecto: la evidencia no basta para afirmar H1 ni para descartar H2."
  else if (!is.na(bA$li) && bA$li > 1) "El efecto observado es el que propone H2: las hojas fueron mayores en los árboles de sombra, lo que va en contra de H1."
  else "La dirección es la de H2 (hojas algo mayores en sombra), pero el intervalo de confianza incluye la ausencia de efecto: no hay evidencia suficiente ni a favor de H1 ni a favor de H2."
}
R$val_h1 <- if (is.na(bA$p_welch)) "no evaluable" else if (!is.na(bA$li) && bA$li <= 1 && bA$ls >= 1) "no concluyente (el IC incluye 1)" else if (bA$razon < 1) "compatible con H1" else "contraria a H1"
R$val_alt <- if (is.na(bA$p_welch)) "no evaluable" else if (!is.na(bA$li) && bA$li <= 1 && bA$ls >= 1) "no concluyente (el IC incluye 1)" else if (bA$razon > 1) "compatible" else "contraria"
R$pmin_txt <- if (is.na(bA$p_min)) "n/d" else fp(bA$p_min)
R$no_alcanza <- !is.na(bA$p_min) && bA$p_min > 0.05
R$resp_tipo <- if (R$n_falta == 0) "completa" else "incompleta"
```

```{r calc_textos, include=FALSE}
n_sol_tot <- sum(geo$exposicion == "sol"); n_som_tot <- sum(geo$exposicion == "sombra")
R$n_sol_tot <- n_sol_tot; R$n_som_tot <- n_som_tot
R$txt_pend <- if (R$n_falta > 0) paste0("De las ", R$n_filas, " hojas, ", R$n_falta, " (", fx(R$pct_falta, 0), " %) tienen el área pendiente",
    if (length(R$arb_sin_medida)) paste0(" (incluido todo el árbol ", paste(R$arb_sin_medida, collapse = ", "), ")") else "",
    "; por ello el análisis primario se complementa con uno basado en el marco, disponible para todas las hojas.") else paste0("Las ", R$n_filas, " hojas tienen área medida.")
R$txt_res <- if (is.na(bA$p_welch)) paste0("Con ", R$n_sol, " árbol(es) de sol y ", R$n_som, " de sombra con datos, el contraste inferencial no es estimable.") else
  paste0("Con el árbol como unidad de análisis (", R$n_sol, " de sol y ", R$n_som, " de sombra), la razón de áreas sombra/sol fue ", fx(bA$razon, 2),
         " (IC 95 %: ", fx(bA$li, 2), "–", fx(bA$ls, 2), "; ", gsub("\\*", "", fpp(bA$p_welch)), ").")
R$txt_icc <- if (!is.null(R$icc)) paste0("El ", fx(100 * R$icc$icc, 0), " % de la variación del tamaño de las hojas se debió a diferencias entre árboles (CCI = ",
    fx(R$icc$icc, 2), "; IC 95 %: ", fx(R$icc$li, 2), "–", fx(R$icc$ls, 2), ").") else ""
R$txt_proxy <- if (R$proxy_ok) paste0("El marco explicó el ", fx(100 * R$px_r2, 0), " % de la variación del log-área de las hojas medidas, lo que permitió un análisis de sensibilidad con las ", R$n_filas, " hojas.") else ""
R$txt_b <- if (!is.na(bB$razon)) paste0("razón ", fx(bB$razon, 2), ", IC 95 % ", fx(bB$li, 2), "–", fx(bB$ls, 2)) else "no estimable"
R$txt_c <- if (!is.na(bC$razon)) paste0("razón ", fx(bC$razon, 2), ", IC 95 % ", fx(bC$li, 2), "–", fx(bC$ls, 2)) else "no estimable"
R$txt_bc <- if (R$n_imp > 0) paste0("El análisis con el marco de todas las hojas dio ", R$txt_b, ", y el completado de las áreas pendientes con el modelo del marco, ", R$txt_c, ".") else
  paste0("Un análisis independiente basado en el área del marco de cada hoja dio ", R$txt_b, ".")
R$txt_rob <- if (R$n_imp > 0) paste0("Como ", R$n_falta, " de las ", R$n_filas, " áreas están pendientes, comparamos el resultado primario (**A**) con dos análisis alternativos: (**B**) el área del marco de las ", R$n_filas,
  " hojas, y (**C**) las áreas medidas más las pendientes completadas con el modelo marco → área (", R$n_imp, " hojas). Para (**C**) se propagó la incertidumbre del completado con ", params$M_imp,
  " simulaciones que añaden el error residual del modelo a cada predicción.") else
  paste0("Todas las hojas tienen área medida, por lo que no hay nada que completar. El resultado primario (**A**) se contrasta con (**B**), el análisis del área del marco, que usa solo los lados medidos con regla y es independiente del script de imagen; y se repite el contraste omitiendo un árbol a la vez.")
R$txt_pend2 <- if (R$n_falta > 0) paste0("**Áreas pendientes.** Hay ", R$n_falta, " áreas en blanco (", fx(R$pct_falta, 1), " %), repartidas de forma muy desigual entre árboles (", fref("completitud"), "): ",
    paste0(comp$arbol, " (", comp$n_medida, "/", comp$n_total, ")", collapse = ", "), ". ",
    if (length(R$arb_sin_medida)) paste0("El árbol ", paste(R$arb_sin_medida, collapse = ", "), " no tiene ninguna medida y queda fuera del análisis primario. ") else "",
    if (length(R$arb_pocas)) paste0("Los árboles ", paste(R$arb_pocas, collapse = ", "), " tienen menos de ", params$min_hojas_arbol, " hojas medidas y se excluyen del nivel de árbol. ") else "",
    "Este informe se recalcula por completo al rellenar esas celdas: números, tablas y gráficas se actualizan al compilar de nuevo.") else paste0("**Áreas completas.** Todas las hojas tienen área medida (", fref("completitud"), ").")

R$txt_fill <- "No hay suficientes áreas medidas para validar el marco."
if (R$proxy_ok) {
  t_arb <- if (is.na(R$fill_p_arbol)) "El cociente área/marco no pudo contrastarse entre árboles" else if (R$fill_p_arbol < 0.05)
    paste0("El cociente área/marco difirió entre árboles (", fpp(R$fill_p_arbol), ")") else paste0("El cociente área/marco no difirió detectablemente entre árboles (", fpp(R$fill_p_arbol), ")")
  t_exp <- if (is.na(R$fill_p_expo)) "." else if (R$fill_p_expo < 0.05)
    paste0(" y sí entre exposiciones (", fpp(R$fill_p_expo), "); el marco no es, por tanto, un indicador neutral respecto de la exposición.") else paste0(" ni entre exposiciones (", fpp(R$fill_p_expo), ").")
  R$txt_fill <- paste0("Entre las ", R$n_med, " hojas con ambas medidas, el área de la hoja fue en promedio el ", fx(100 * R$fill_mean, 1), " % del área del marco (rango ", fx(100 * R$fill_range[1], 0), "–", fx(100 * R$fill_range[2], 0),
    " %), y ambas medidas se relacionan de forma muy estrecha (R² = ", fx(R$px_r2, 3), "; ", fref("proxy"), "). Al predecir el área de una hoja con su marco, el error típico es de ≈ ", fx(100 * R$px_loo_rmse, 1), " %. ", t_arb, t_exp,
    " Por eso el marco sirve, con cautela, para validar las áreas medidas, detectar errores de unidad y estimar las áreas pendientes.")
}
R$txt_desc <- if (nrow(desc_all) > 0) paste0("Las medias de árbol fueron de ", fx(R$media_rango[1], 1), " a ", fx(R$media_rango[2], 1), " cm² (", R$arb_min, " y ", R$arb_max,
    ", respectivamente), y el CV dentro de árbol de ", fx(R$cv_rango[1], 1), " a ", fx(R$cv_rango[2], 1), " % (", tref("desc"), ", ", fref("porarbol"),
    "). Las diferencias entre árboles son comparables o mayores que las que hay entre hojas de un mismo árbol.") else ""
```

```{r calc_sitios, include=FALSE}
# ===========================================================================
# 7. SITIOS (coordenadas por árbol) Y FOTOGRAFÍAS  (arbol1.jpg, arbol2.jpg, ...)
# ===========================================================================
lab_expo <- c(sol = "A pleno sol", sombra = "A la sombra")
col_expo <- COL; niveles_expo <- c("sol", "sombra")
# ---- Carpetas donde se buscan las fotos (se prueban todas, sin depender de dónde se compile) ----
dir_rmd <- tryCatch(normalizePath(knitr::current_input(dir = TRUE), winslash = "/", mustWork = FALSE), error = function(e) NA_character_)
dir_rmd <- if (length(dir_rmd) && !is.na(dir_rmd) && nzchar(dir_rmd)) dirname(dir_rmd) else NA_character_
dir_dat <- tryCatch(dirname(normalizePath(ruta, winslash = "/", mustWork = FALSE)), error = function(e) NA_character_)
dirs_foto <- c(params$carpeta_fotos, file.path(params$carpeta_fotos, "fotos"), getwd(), file.path(getwd(), "fotos"),
               dir_rmd, if (!is.na(dir_rmd)) file.path(dir_rmd, "fotos"), dir_dat, if (!is.na(dir_dat)) file.path(dir_dat, "fotos"))
dirs_foto <- unique(normalizePath(dirs_foto[!is.na(dirs_foto) & dir.exists(dirs_foto)], winslash = "/"))
quita_acentos <- function(x) tolower(iconv(x, to = "ASCII//TRANSLIT"))
buscar_foto <- function(n) {
  if (is.na(n)) return(NA_character_)
  for (d in dirs_foto) {
    f <- list.files(d, full.names = TRUE)
    f <- f[!dir.exists(f)]
    if (!length(f)) next
    nm <- quita_acentos(basename(f))
    # arbol1.jpg, Arbol1.JPG, arbol 1.jpeg, arbol01.png, arbol1.jpg.jpg ... (no confunde arbol1 con arbol10)
    ok <- grepl(paste0("^arbol[ _-]*0*", n, "([^0-9].*)?\\.(jpe?g|png|webp|jfif)$"), nm)
    if (any(ok)) return(f[ok][1])
  }
  NA_character_
}
.img_cache <- new.env(); .foto_err <- character(0)
MAX_ORIGINAL <- 25 * 1024^2                            # tope para incrustar el archivo original sin reducir
anota_err <- function(path, e) .foto_err <<- unique(c(.foto_err, paste0(basename(path), ": ", conditionMessage(e))))
foto_uri <- function(path, w) {                      # reduce la foto con magick y la incrusta en base64
  if (is.na(path)) return(NA_character_)
  if (HAS_MAGICK) {
    out <- tryCatch({
      if (is.null(.img_cache[[path]])) {              # se lee UNA sola vez por foto
        im0 <- magick::image_read(path)
        im0 <- im0[1]                                 # solo el primer cuadro
        im0 <- tryCatch(magick::image_orient(im0), error = function(e) im0)   # si falla la orientación EXIF, se sigue sin ella
        .img_cache[[path]] <- magick::image_resize(im0, "1000x")
      }
      im <- magick::image_resize(.img_cache[[path]], paste0(w, "x"))
      tf <- tempfile(fileext = ".jpg"); on.exit(unlink(tf), add = TRUE)
      magick::image_write(im, tf, format = "jpeg", quality = 70)
      knitr::image_uri(tf)
    }, error = function(e) { anota_err(path, e); NULL })
    if (!is.null(out)) return(out)
  }
  # Respaldo: se incrusta el archivo original (sin reducir) mientras no sea gigantesco
  tryCatch({
    if (file.size(path) > MAX_ORIGINAL) stop("archivo de ", round(file.size(path) / 1024^2, 1), " MB, demasiado grande para incrustarlo sin reducir")
    knitr::image_uri(path)
  }, error = function(e) { anota_err(path, e); NA_character_ })
}
sitios <- merge(geo[, c("arbol", "exposicion", "lat", "lon")], comp[, c("arbol", "n_total", "n_medida")], by = "arbol")
sitios <- merge(sitios, desc_all[, c("arbol", "media")], by = "arbol", all.x = TRUE)
sitios$exposicion <- as.character(sitios$exposicion)
sitios$id_arbol <- sitios$arbol; sitios$hojas <- sitios$n_total
sitios$num <- as.integer(gsub("\\D", "", sitios$arbol))
sitios <- sitios[order(sitios$num), ]
sitios$foto <- vapply(sitios$num, buscar_foto, character(1), USE.NAMES = FALSE)
sitios$uri_pop <- vapply(sitios$foto, foto_uri, character(1), w = 320, USE.NAMES = FALSE)
sitios$uri_gal <- vapply(sitios$foto, foto_uri, character(1), w = params$ancho_foto, USE.NAMES = FALSE)
R$n_fotos <- sum(!is.na(sitios$uri_gal)); R$sin_foto <- sitios$arbol[is.na(sitios$uri_gal)]
R$foto_hallada_sin_uri <- sitios$arbol[!is.na(sitios$foto) & is.na(sitios$uri_gal)]
R$diag_fotos <- paste0("Carpetas revisadas: ", if (length(dirs_foto)) paste(dirs_foto, collapse = " | ") else "ninguna existe",
                       ". Archivos encontrados: ", if (any(!is.na(sitios$foto))) paste(basename(sitios$foto[!is.na(sitios$foto)]), collapse = ", ") else "ninguno",
                       ". magick instalado: ", if (HAS_MAGICK) "sí" else "no", ".",
                       if (length(.foto_err)) paste0(" ERRORES: ", paste(.foto_err, collapse = " || ")) else "")
sitios$popup <- vapply(seq_len(nrow(sitios)), function(i) {
  s <- sitios[i, ]
  img <- if (is.na(s$uri_pop)) "" else paste0("<img src='", s$uri_pop, "' style='width:100%;border-radius:6px;margin-bottom:6px'><br>")
  paste0(img, "<b>", s$id_arbol, "</b> &middot; ", lab_expo[[s$exposicion]], "<br>Hojas registradas: ", s$hojas,
         "<br>\u00c1rea media: ", if (is.na(s$media)) "sin \u00e1reas medidas" else paste0(fx(s$media, 1), " cm\u00b2"),
         "<br><span style='color:#666'>", fx(s$lat, 5), "; ", fx(s$lon, 5), "</span>")
}, character(1))
```

::: abstract
**Resumen**

**Contexto y objetivo.** Las hojas son los principales órganos captadores de luz y su tamaño condiciona la luz que el árbol puede interceptar. Evaluamos si el área foliar de *`r R$especie`* difiere entre árboles a pleno sol y a la sombra en el Bosque Urbano Multicentro (Cali, Valle del Cauca; `r fx(R$altitud[1], 0)` m s. n. m.), contrastando dos hipótesis opuestas planteadas por los dos autores: H1, el área foliar promedio por árbol es mayor a pleno sol; H2, es mayor en la sombra.

**Diseño.** Se registraron `r R$n_filas` hojas en `r R$n_arb` árboles (`r R$n_sol_tot` de sol y `r R$n_som_tot` de sombra); el área de cada hoja se obtuvo de su fotografía escalada con un marco rectangular de lados conocidos. Como la exposición es una propiedad del árbol y no de la hoja, la unidad de análisis fue el árbol. `r R$txt_pend`

**Resultados.** `r R$txt_res` `r R$txt_icc` `r R$txt_bc`

**Conclusión.** `r R$frase_h1` Con tan pocos árboles, el diseño tiene una potencia limitada: los resultados son estimaciones preliminares y generadoras de hipótesis, no una confirmación.
:::

```{r kpis, results='asis', echo=FALSE}
kpi <- function(v, l, s = "") paste0('<div class="kpi"><div class="v">', v, '</div><div class="l">', l, '</div><div class="s">', s, '</div></div>')
cat('\n```{=html}\n<div class="kpis">\n',
    kpi(R$n_arb, "Árboles", paste0(R$n_sol_tot, " sol · ", R$n_som_tot, " sombra")),
    kpi(R$n_filas, "Hojas registradas", paste0(R$n_med, " con área medida")),
    kpi(fx(bA$razon, 2), "Razón sombra/sol", if (!is.na(bA$li)) paste0("IC 95 %: ", fci(bA$li, bA$ls)) else "no estimable"),
    kpi(if (!is.null(R$icc)) paste0(fx(100 * R$icc$icc, 0), " %") else "n/d", "Variación entre árboles", "CCI (tamaño de la hoja)"),
    '</div>\n```\n\n', sep = "")
```

# Introducción {.unnumbered}

*Bauhinia picta*, conocida comúnmente como pata de vaca, es una especie de la familia Fabaceae cultivada en Colombia, México, Panamá, Venezuela y Ecuador. Presenta hojas simples, con lóbulos ovados y acuminados o algo caudados en el ápice, y es semicaducifolia, es decir, pierde parcialmente su follaje durante la época seca. Se utiliza como planta ornamental, como barrera rompevientos y en procesos de restauración ecológica, y su rango altitudinal va desde 0 hasta 2000 m s. n. m.`r cite("ueia2014")`

Las hojas son los principales órganos captadores de luz solar y el sitio donde ocurre la mayor parte de la fotosíntesis. El tamaño y la forma de una hoja determinan la cantidad de luz que la planta puede interceptar, por lo que el área foliar es un rasgo útil para evaluar cómo responde un árbol a su ambiente lumínico.`r cite("violle2007", "perez2013")`

En este estudio se buscó responder cómo cambia el área foliar de *B. picta* según la exposición a la luz (sol o sombra). El trabajo se realizó en el Bosque Urbano Multicentro, ubicado en el área forestal protectora del río Meléndez, comuna 22, Cali, Valle del Cauca, a `r fx(R$altitud[1], 0)` m s. n. m., donde se comparó el área foliar de árboles expuestos a pleno sol con la de árboles en sombra.

::: callout
**Hipótesis.** Cada uno de los dos autores planteó una hipótesis distinta sobre cómo cambia el área foliar promedio por árbol con la luz (H0: no hay diferencia, razón de áreas sombra/sol = 1).

-   **H1: mayor área a pleno sol** (razón sombra/sol \< 1). Uno de los autores propone que el área de la hoja aumenta con una mayor exposición al sol: más radiación aporta más energía para la fotosíntesis y podría favorecer una superficie foliar mayor, en línea con el patrón global en que las hojas grandes predominan en ambientes cálidos, húmedos y soleados.`r cite("wright2017")`
-   **H2: mayor área en la sombra** (razón sombra/sol \> 1). El otro autor propone lo contrario: que el área de la hoja aumenta en la sombra, porque con poca luz las plantas suelen desplegar rasgos que favorecen la captura de luz, como láminas más extensas.`r cite("valladares2008", "givnish1988")`
:::

Una hoja más grande no siempre significa mayor producción. Con exceso de calor o poca disponibilidad de agua la planta puede reducir su actividad fotosintética, y una lámina mayor engrosa la capa límite de aire y dificulta disipar calor.`r cite("parkhurst1972", "michaletz2015")` Por eso el sentido del efecto no es evidente de antemano y este estudio pone a prueba ambas hipótesis. Además, el verdadero aprovechamiento de la luz depende de cómo se organiza todo el follaje y de las condiciones ambientales que rodean al árbol.

**Objetivos.**

-   Estimar la razón de áreas sombra/sol con el árbol como unidad experimental y valorar cuál de las dos hipótesis (H1 o H2) respalda mejor.
-   Repartir la variación entre árboles y entre hojas.
-   Comprobar la robustez de la conclusión frente a la prueba empleada, la influencia de árboles individuales y los valores atípicos.
-   Cuantificar qué diferencia podría detectar este diseño.

# Diseño muestral y datos

## Diseño jerárquico y flujo de medición

La base contiene `r R$n_filas` hojas de `r R$n_arb` árboles de *`r R$especie`* (`r R$n_sol_tot` de sol y `r R$n_som_tot` de sombra), con `r R$hojas_x_arbol[1]`–`r R$hojas_x_arbol[2]` hojas por árbol. La exposición se asignó al árbol y las hojas son submuestras (`r fref("diseno")`); por eso el árbol es la unidad de análisis. La `r tref("car")` resume los árboles de cada exposición.

```{r fig_diseno, fig.height=3.9, fig.cap=fcap("diseno", "Diseño jerárquico del estudio y flujo de medición", paste0("El factor fijo (exposición) se asigna a árboles, que son la unidad experimental; las hojas son submuestras. Círculos: árboles, con el número de hojas con área medida sobre el total. Las áreas se obtienen de la fotografía de cada hoja: un marco rectangular dibujado con regla alrededor de su contorno fija la escala para convertir píxeles a cm² con un script en R. Un círculo vacío indica que el árbol aún no tiene ninguna área medida."))}
caja <- function(x, y, w, h, lab, fill = "white", col = "grey25", face = "plain", size = 3.2)
  list(annotate("rect", xmin = x - w/2, xmax = x + w/2, ymin = y - h/2, ymax = y + h/2, fill = fill, colour = col, linewidth = .5),
       annotate("text", x = x, y = y, label = lab, size = size, fontface = face, lineheight = .95))
flecha <- function(x, y, xe, ye) annotate("segment", x = x, xend = xe, y = y, yend = ye, colour = "grey35", linewidth = .5, arrow = arrow(length = unit(2.2, "mm"), type = "closed"))
capa <- list()
cs <- comp[comp$exposicion == "sol", ]; cb <- comp[comp$exposicion == "sombra", ]
pos_arbol <- function(k) if (k == 0) numeric(0) else seq(50, 50 + 6.5 * (k - 1), length.out = k)
alt_txt <- if (length(R$altitud)) paste0(fx(R$altitud[1], 0), " m s. n. m.") else ""
capa <- c(capa, caja(11, 30, 20, 17, paste0("Bosque Urbano\nMulticentro, Cali\n", alt_txt), fill = "#f1f3f4", face = "bold"))
capa <- c(capa, caja(33, 44, 17, 10, paste0("A pleno sol\n(", nrow(cs), " árboles)"), fill = adjustcolor(COL["sol"], .25)),
                 caja(33, 16, 17, 10, paste0("A la sombra\n(", nrow(cb), " árboles)"), fill = adjustcolor(COL["sombra"], .22)))
capa <- c(capa, list(flecha(21, 33, 24.4, 41), flecha(21, 27, 24.4, 19)))
for (ex in list(list(d = cs, y = 44, c = COL["sol"]), list(d = cb, y = 16, c = COL["sombra"]))) {
  if (nrow(ex$d) == 0) next
  xs <- pos_arbol(nrow(ex$d))
  capa <- c(capa, list(flecha(41.8, ex$y, min(xs) - 3.3, ex$y),
    annotate("point", x = xs, y = ex$y, shape = 21, size = 11, fill = ifelse(ex$d$n_medida == 0, "white", ex$c), colour = "grey15", stroke = .7),
    annotate("text", x = xs, y = ex$y, label = ex$d$arbol, size = 3.1, fontface = "bold"),
    annotate("text", x = xs, y = ex$y - 6.4, label = paste0(ex$d$n_medida, "/", ex$d$n_total), size = 2.7, colour = "grey30")))
}
capa <- c(capa, caja(89, 30, 20, 22, "Hojas por árbol\n(unidad de muestreo)\n\ncontorno → marco → foto\n→ área (cm²)", fill = "#f1f3f4"))
capa <- c(capa, list(flecha(77.5, 40, 78.8, 34.5), flecha(77.5, 20, 78.8, 25.5)))
cab <- data.frame(x = c(11, 33, 59, 89), l = c("SITIO", "FACTOR (fijo)", "UNIDAD EXPERIMENTAL: el árbol", "SUBMUESTRA"))
ggplot() + capa + geom_text(data = cab, aes(x, 57, label = l), size = 3, fontface = "bold", colour = "grey20") +
  coord_cartesian(xlim = c(0, 100), ylim = c(4, 60), clip = "off") + theme_void()
```

```{r tab_car, results='asis'}
car_df <- merge(geo[, c("arbol", "exposicion", "x_m", "y_m")], comp[, c("arbol", "n_total", "n_medida")], by = "arbol")
car_df <- merge(car_df, desc_all[, c("arbol", "media", "cv")], by = "arbol", all.x = TRUE)
car_df <- merge(car_df, aggregate(cbind(marco_cm2, aspecto) ~ arbol, data = datos, FUN = mean), by = "arbol", all.x = TRUE)
car_df$dist <- sqrt(car_df$x_m^2 + car_df$y_m^2)
car_df$expo <- factor(as.character(car_df$exposicion), levels = c("sol", "sombra"), labels = c("A pleno sol", "A la sombra"))
cat(tcap("car", "Características de los árboles según su exposición lumínica",
         "Cada fila resume los árboles de la columna (<i>N</i> = número de árboles); datos como media (DE) y mediana [mín.–máx.]. DE, desviación estándar; CV, coeficiente de variación dentro del árbol; el marco es el rectángulo dibujado alrededor de cada hoja (lado 1 × lado 2); la distancia se mide al centroide de los árboles. Los árboles sin áreas medidas no contribuyen a las filas de área."))
ok_t1 <- FALSE
if (HAS_T1) {
  rc_stats <- function(x, ...) {
    x <- x[is.finite(x)]; n <- length(x)
    if (n == 0) return(c("", "n/d" = ""))
    c("", "Media (DE)" = paste0(fx(mean(x), 1), " (", if (n > 1) fx(sd(x), 1) else "n/d", ")"),
      "Mediana [mín.–máx.]" = paste0(fx(median(x), 1), " [", fx(min(x), 1), "–", fx(max(x), 1), "]"))
  }
  table1::label(car_df$n_total) <- "Hojas registradas por árbol (n)"
  table1::label(car_df$n_medida) <- "Hojas con área medida por árbol (n)"
  table1::label(car_df$media) <- "Área foliar media del árbol (cm²)"
  table1::label(car_df$cv) <- "CV del área dentro del árbol (%)"
  table1::label(car_df$marco_cm2) <- "Área del marco (cm²)"
  table1::label(car_df$aspecto) <- "Relación de aspecto del marco (lado mayor/menor)"
  table1::label(car_df$dist) <- "Distancia al centroide (m)"
  t_car <- tryCatch(table1::table1(~ n_total + n_medida + media + cv + marco_cm2 + aspecto + dist | expo, data = car_df,
                                   overall = "Total", rowlabelhead = "Característica", render.continuous = rc_stats,
                                   render.missing = NULL, topclass = "Rtable1-times"), error = function(e) NULL)
  if (!is.null(t_car)) { t1_out(t_car); ok_t1 <- TRUE }
}
if (!ok_t1) {
  tc <- data.frame(Árbol = car_df$arbol, Exposición = as.character(car_df$exposicion), `Hojas registradas` = car_df$n_total, `Hojas medidas` = car_df$n_medida,
                   `Área media (cm²)` = fx(car_df$media, 1), `CV (%)` = fx(car_df$cv, 1), `Marco (cm²)` = fx(car_df$marco_cm2, 1),
                   `Aspecto` = fx(car_df$aspecto, 2), `Distancia al centroide (m)` = fx(car_df$dist, 0), check.names = FALSE)
  tabla(tc, align = "llrrrrrrr")
}
```

## Calidad de la base de datos

<details class="detalle">

<summary>Ver la descripción de las variables de la base</summary>

```{r tab_vars, results='asis'}
vars_tab <- data.frame(
  Variable = c("Árbol", "Exposición", "Lado 1 y lado 2", "Área del marco", "Área foliar", "ln(área)", "Cociente área/marco", "Relación de aspecto", "Latitud y longitud", "CCI", "Razón sombra/sol"),
  `Columna o cálculo` = c("arbol (T1, T2…)", "exposicion", "lado_1_mm, lado_2_mm", "lado 1 × lado 2 / 100", "area_real_cm2", "log(área foliar)", "área foliar / área del marco", "lado mayor / lado menor", "latitud, longitud", "ANOVA de un factor sobre ln(área)", "exp(β) del modelo mixto o razón de medias geométricas"),
  Unidad = c("—", "sol / sombra", "mm", "cm²", "cm²", "ln(cm²)", "0–1", "≥ 1", "grados decimales", "0–1", "sin unidad"),
  Descripción = c("Identificador del árbol; es la unidad experimental.", "Condición lumínica del árbol (factor de interés).", "Lados del rectángulo dibujado alrededor de cada hoja.",
                  "Escala de la fotografía y referencia del tamaño de la hoja.", "Área de la hoja obtenida de la fotografía escalada.", "Variable respuesta de la inferencia (el tamaño es multiplicativo).",
                  "Fracción del marco que ocupa la hoja.", "Indicador burdo de la forma de la lámina.", "Posición del árbol.", "Fracción de la varianza que ocurre entre árboles.", "Cociente de áreas de sombra respecto de sol; 1 = sin efecto."),
  check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("vars", "Variables de la base y su significado", "Las columnas del archivo de datos se normalizan al leerlas (minúsculas, sin tildes)."))
tabla(vars_tab, align = "llll")
```

</details>

```{r tab_qc, results='asis'}
cat(tcap("qc", "Revisión de calidad de la base y decisiones tomadas", "Cada problema se resuelve con una regla explícita y reproducible; la fila original se conserva en la base de trabajo."))
tabla(qc_tab, align = "lll")
```

`r R$txt_pend2`

```{r fig_completitud, fig.height=3.5, fig.cap=fcap("completitud", "Completitud de la base por hoja y por árbol", "**a**, Mosaico hoja a hoja; los números son el área (cm²) usada en el análisis. **b**, Porcentaje de hojas con área medida por árbol.")}
dd <- datos
dd$est <- ifelse(dd$estado == "ok", "Medida", ifelse(grepl("corregida", dd$estado), "Corregida (unidad)",
          ifelse(dd$estado == "sin área (pendiente)", "Pendiente", "Excluida")))
dd$arbol_f <- factor(dd$arbol, levels = rev(comp$arbol))
etq <- setNames(paste0(comp$arbol, " · ", comp$exposicion), comp$arbol)
pa <- ggplot(dd, aes(factor(n_hoja, levels = sort(unique(n_hoja))), arbol_f, fill = est)) +
  geom_tile(colour = "white", linewidth = .8) + geom_text(aes(label = ifelse(usar, sprintf("%.0f", area), "")), size = 2.6, colour = "white") +
  scale_fill_manual(values = c("Medida" = "#009E73", "Corregida (unidad)" = "#CC79A7", "Pendiente" = "grey85", "Excluida" = "#D55E00"), name = "Estado de la hoja") +
  scale_y_discrete(labels = function(x) etq[x]) + labs(x = "Hoja (n.º dentro del árbol)", y = "Árbol · exposición") +
  theme(axis.line = element_blank(), axis.ticks = element_blank(), legend.position = "top")
pb <- ggplot(comp, aes(factor(arbol, levels = rev(comp$arbol)), pct, fill = exposicion)) + geom_col(width = .65) +
  geom_text(aes(label = paste0(n_medida, "/", n_total)), hjust = -.15, size = 3) + coord_flip(ylim = c(0, 125)) +
  scale_fill_manual(values = COL) + scale_y_continuous(breaks = c(0, 50, 100)) + labs(x = NULL, y = "Hojas con área medida (%)") +
  theme(axis.text.y = element_blank(), axis.ticks.y = element_blank(), legend.position = "top")
pa + pb + plot_layout(widths = c(2.3, 1)) + plot_annotation(tag_levels = "a")
```

## Ubicación de los árboles: mapa interactivo

Los árboles están separados entre `r fx(R$dist_min, 0)` y `r fx(R$dist_max, 0)` m; el más alejado del centroide es `r R$lejano` (`r fx(R$dist_lejano, 0)` m), un detalle relevante porque la posición espacial puede confundirse con la exposición (véase *Forma de la hoja y contexto espacial*). Haz clic en un marcador para ver la fotografía y los datos del árbol; el control de capas permite cambiar el mapa base y ocultar una exposición.

```{r mapa_interactivo, echo=TRUE}
presentes <- intersect(niveles_expo, unique(sitios$exposicion))
if (HAS_LEAFLET) {
  library(leaflet)
  mapa <- leaflet(height = 480) %>%
    addProviderTiles(providers$Esri.WorldImagery, group = "Satélite") %>%
    addTiles(group = "Calles")
  for (e in presentes) {
    d <- sitios[sitios$exposicion == e, ]
    mapa <- addCircleMarkers(mapa, data = d, lng = ~lon, lat = ~lat, radius = 9, weight = 2,
                             color = "white", fillColor = col_expo[[e]], fillOpacity = 0.95,
                             label = ~id_arbol, popup = ~popup,
                             popupOptions = popupOptions(maxWidth = 260), group = lab_expo[[e]])
  }
  mapa %>%
    addLayersControl(baseGroups = c("Satélite", "Calles"), overlayGroups = unname(lab_expo[presentes]),
                     options = layersControlOptions(collapsed = FALSE)) %>%
    addLegend("bottomright", colors = unname(col_expo[presentes]), labels = unname(lab_expo[presentes]),
              title = "Exposición", opacity = 1) %>%
    addScaleBar("bottomleft")
} else {
  cat("El paquete 'leaflet' no está instalado: se muestra un mapa simple.",
      "Para el mapa interactivo ejecuta install.packages('leaflet').\n")
  plot(sitios$lon, sitios$lat, pch = 21, cex = 3, bg = col_expo[sitios$exposicion],
       asp = 1 / cos(mean(sitios$lat) * pi / 180), xlab = "Longitud (°)", ylab = "Latitud (°)",
       main = "Ubicación de los árboles")
  text(sitios$lon, sitios$lat, sub(".*_", "", sitios$id_arbol), cex = 0.8)
  legend("topright", legend = lab_expo[presentes], pt.bg = col_expo[presentes], pch = 21, bty = "n")
}
```

`r fcap_html("mapa_int", "Mapa interactivo de los árboles muestreados", "Cada círculo es un árbol (color = exposición lumínica). Al pulsarlo se muestran su fotografía, el número de hojas registradas, el área foliar media y sus coordenadas (grados decimales).")`

```{r fig_mapa, fig.height=4.1, fig.cap=fcap("mapa", "Posición de los árboles en el bosque urbano", "**a**, Plano local (metros respecto del centroide, a partir de las coordenadas registradas). El tamaño del círculo es proporcional al área media medida; los círculos vacíos son árboles sin áreas medidas. **b**, Distancia entre pares de árboles (m).")}
gm <- merge(geo, desc_all[, c("arbol", "media")], by = "arbol", all.x = TRUE)
rx <- range(gm$x_m); ry <- range(gm$y_m); pad <- 0.12 * max(diff(rx), diff(ry), 60)
pa <- ggplot(gm, aes(x_m, y_m)) +
  geom_point(data = gm[!is.na(gm$media), ], aes(fill = exposicion, size = media), shape = 21, colour = "grey15", stroke = .6) +
  geom_point(data = gm[is.na(gm$media), ], shape = 21, size = 5, fill = "white", colour = "grey15", stroke = .9) +
  geom_text(aes(label = arbol), nudge_y = pad * .55, fontface = "bold", size = 3.2) +
  annotate("segment", x = rx[1] - pad * .5, xend = rx[1] - pad * .5 + 50, y = ry[1] - pad, yend = ry[1] - pad, linewidth = 1) +
  annotate("text", x = rx[1] - pad * .5 + 25, y = ry[1] - pad * 1.5, label = "50 m", size = 3) +
  scale_fill_manual(values = COL, name = "Exposición") + scale_size_continuous(range = c(4.5, 10), name = "Área media (cm²)") +
  coord_equal(xlim = rx + c(-pad, pad), ylim = ry + c(-pad * 2, pad * 1.4)) +
  labs(x = "Este–oeste (m)", y = "Norte–sur (m)") + guides(fill = guide_legend(override.aes = list(size = 5))) +
  theme(legend.box = "vertical", legend.position = "right")
dm <- expand.grid(a = geo$arbol, b = geo$arbol, stringsAsFactors = FALSE)
dm$d <- haversine(geo$lat[match(dm$a, geo$arbol)], geo$lon[match(dm$a, geo$arbol)], geo$lat[match(dm$b, geo$arbol)], geo$lon[match(dm$b, geo$arbol)])
dm$a <- factor(dm$a, levels = geo$arbol); dm$b <- factor(dm$b, levels = rev(geo$arbol))
pb <- ggplot(dm, aes(a, b, fill = d)) + geom_tile(colour = "white") + geom_text(aes(label = ifelse(d == 0, "", fx(d, 0))), size = 2.9) +
  scale_fill_gradient(low = "#f7fbff", high = "#6baed6", guide = "none") + labs(x = NULL, y = NULL) +
  theme(axis.line = element_blank(), axis.ticks = element_blank(), panel.grid = element_blank())
pa + pb + plot_layout(widths = c(1.35, 1)) + plot_annotation(tag_levels = "a")
```

## Fotografías de los árboles

Fotografía de referencia de cada árbol, que documenta su estado, su entorno y su grado de exposición solar. Haz clic en una imagen para ampliarla y usa los botones para filtrar por exposición. `r if (length(R$sin_foto)) paste0("<div class='warn'><b>No se pudieron cargar las fotos de:</b> ", paste(R$sin_foto, collapse = ", "), ". ", if (length(R$foto_hallada_sin_uri)) paste0("El archivo existe pero no se pudo incrustar (instala <code>magick</code> con <code>install.packages('magick')</code> o reduce el tamaño de la foto). ") else "No se encontró el archivo: guárdalo como <code>arbol1.jpg</code>, <code>arbol2.jpg</code>… en la carpeta del informe o en <code>fotos/</code>. ", "<br><small>", R$diag_fotos, "</small></div>") else paste0("Se cargaron ", R$n_fotos, " fotografías.")`

```{r galeria_fotos, results='asis', echo=TRUE}
fig_html <- vapply(seq_len(nrow(sitios)), function(i) {
  s <- sitios[i, ]
  marco <- if (is.na(s$uri_gal)) paste0('<div class="marco vacio"><span>Foto no disponible<br><code>arbol', s$num, '.jpg</code></span></div>') else
    paste0('<div class="marco"><img src="', s$uri_gal, '" alt="Árbol ', s$id_arbol, ' · ', lab_expo[[s$exposicion]], '" loading="lazy"><span class="badge ', s$exposicion, '">', toupper(s$exposicion), '</span></div>')
  meta <- paste0(s$hojas, " hojas · ", if (is.na(s$media)) "sin áreas medidas" else paste0("área media ", fx(s$media, 1), " cm²"))
  paste0('<figure class="', s$exposicion, '" data-expo="', s$exposicion, '">', marco,
         '<figcaption><b>Árbol ', s$id_arbol, '</b> · ', lab_expo[[s$exposicion]], '<br><span class="meta">', meta, '</span></figcaption></figure>')
}, character(1))
js <- paste0("<script>(function(){var lb=document.getElementById('lb'),im=lb.querySelector('img'),cp=lb.querySelector('.lbcap');",
  "document.querySelectorAll('.galeria .marco img').forEach(function(el){el.addEventListener('click',function(){im.src=el.src;cp.textContent=el.alt;lb.classList.add('on');});});",
  "lb.addEventListener('click',function(){lb.classList.remove('on');});",
  "document.addEventListener('keydown',function(e){if(e.key==='Escape'){lb.classList.remove('on');}});",
  "var bs=document.querySelectorAll('.galeria-filtros button');bs.forEach(function(b){b.addEventListener('click',function(){bs.forEach(function(x){x.classList.remove('on');});b.classList.add('on');var f=b.getAttribute('data-f');",
  "document.querySelectorAll('.galeria figure').forEach(function(fg){fg.classList.toggle('oculto',f!=='todos'&&fg.getAttribute('data-expo')!==f);});});});})();</script>")
# Se devuelve como objeto 'asis' (no con cat): imprimir varios MB de base64 en una sola linea hace que knitr se congele
knitr::asis_output(paste0('\n```{=html}\n',
    '<div class="galeria-filtros"><button class="on" data-f="todos">Todos</button><button data-f="sol">A pleno sol</button><button data-f="sombra">A la sombra</button></div>\n',
    '<div class="galeria">\n', paste(fig_html, collapse = "\n"), '\n</div>\n',
    '<div id="lb" class="lb"><img alt=""><div class="lbcap"></div></div>\n', js, '\n```\n\n'))
```

`r fcap_html("fotos", "Fotografías de referencia de los árboles muestreados", "Marco superior: exposición lumínica (naranja, pleno sol; azul, sombra). Pie: identificador del árbol, número de hojas registradas y área foliar media.")`

# Resultados

## El marco rectangular como indicador del tamaño de la hoja

Cada hoja se trazó dentro de un marco rectangular cuyos lados se midieron con regla, de modo que el **área del marco** (lado 1 × lado 2) existe para las `r R$n_filas` hojas, incluso cuando el área medida por imagen está pendiente. `r R$txt_fill`

```{r fig_proxy, fig.height=4.0, fig.cap=fcap("proxy", "El área del marco predice el área de la hoja", "**a**, Relación entre el área del marco y el área medida (escala log–log); línea sólida, ajuste por mínimos cuadrados; línea discontinua, proporcionalidad con el cociente medio. **b**, Cociente área/marco por árbol (puntos: hojas; barras: media ± DE).")}
shp_f <- setNames(rep(c(21, 22, 23, 24, 25), length.out = length(arboles_all)), arboles_all)
if (R$proxy_ok) {
  xr <- range(lim$marco_cm2)
  pa <- ggplot(lim, aes(marco_cm2, area)) +
    geom_abline(slope = 1, intercept = log10(R$fill_mean), linetype = 2, colour = "grey45") +
    geom_smooth(method = "lm", formula = y ~ x, se = TRUE, colour = "black", fill = "grey80", linewidth = .6) +
    geom_point(aes(fill = exposicion, shape = arbol), size = 2.6, colour = "grey15", stroke = .3, alpha = .9) +
    scale_x_log10(breaks = c(50, 100, 150, 250)) + scale_y_log10(breaks = c(40, 80, 120, 200)) +
    scale_fill_manual(values = COL, name = "Exposición") + scale_shape_manual(values = shp_f, name = "Árbol") +
    labs(x = "Área del marco (cm², escala log)", y = "Área de la hoja (cm², escala log)") +
    annotate("text", x = xr[1], y = max(lim$area), hjust = 0, vjust = 1, size = 3.3,
             label = paste0("R² = ", fx(R$px_r2, 3), "\npendiente = ", fx(R$px_b, 2))) +
    guides(fill = guide_legend(override.aes = list(shape = 21)), shape = guide_legend(nrow = 1))
  fr <- lim; fr$arbol_f <- factor(fr$arbol, levels = comp$arbol)
  pb <- ggplot(fr, aes(arbol_f, razon_marco)) +
    geom_jitter(aes(fill = exposicion), width = .12, height = 0, shape = 21, size = 2.2, colour = "grey15", stroke = .3, alpha = .85) +
    stat_summary(fun.data = function(x) data.frame(y = mean(x), ymin = mean(x) - sd(x), ymax = mean(x) + sd(x)), geom = "pointrange", size = .35, colour = "black") +
    geom_hline(yintercept = R$fill_mean, linetype = 2, colour = "grey45") + scale_x_discrete(drop = FALSE) +
    scale_fill_manual(values = COL, guide = "none") + labs(x = NULL, y = "Área / área del marco")
  pa + pb + plot_layout(widths = c(1.15, 1)) + plot_annotation(tag_levels = "a")
}
```

## Variación entre y dentro de árboles

```{r tab_desc, results='asis'}
td <- merge(comp[, c("arbol", "exposicion", "n_medida", "n_total")], desc_all[, c("arbol", "media", "mediana", "de", "cv", "li", "ls", "min", "max", "geom")], by = "arbol", all.x = TRUE)
td <- td[order(as.integer(gsub("\\D", "", td$arbol))), ]
td_out <- data.frame(Árbol = td$arbol, Exposición = td$exposicion, `n (medidas/total)` = paste0(td$n_medida, "/", td$n_total),
                     Media = fx(td$media, 1), Mediana = fx(td$mediana, 1), DE = fx(td$de, 1), `CV (%)` = fx(td$cv, 1),
                     `IC 95 % de la media` = ifelse(is.na(td$li), "n/d", paste0(fx(td$li, 1), "–", fx(td$ls, 1))),
                     `Mín.–máx.` = ifelse(is.na(td$min), "n/d", paste0(fx(td$min, 1), "–", fx(td$max, 1))),
                     `Media geom.` = fx(td$geom, 1), check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("desc", "Estadísticos descriptivos del área foliar (cm²) por árbol",
         "Cada columna es un árbol (exposición tras el punto); datos de las hojas con área medida. DE, desviación estándar; CV, coeficiente de variación (DE/media); IC, intervalo de confianza <i>t</i> de Student de la media; n/d, no disponible (sin áreas medidas o una sola hoja)."))
ok_t1 <- FALSE
if (HAS_T1) {
  rc_arbol <- function(x, ...) {
    x <- x[is.finite(x)]; n <- length(x)
    if (n == 0) return(c("", "n" = "0", "Media (DE)" = "n/d", "Mediana [mín.–máx.]" = "n/d", "CV (%)" = "n/d", "Media geométrica" = "n/d", "IC 95 % de la media" = "n/d"))
    m <- mean(x); s <- if (n > 1) sd(x) else NA
    ic <- if (n > 1) m + c(-1, 1) * qt(.975, n - 1) * s / sqrt(n) else c(NA, NA)
    c("", "n" = as.character(n), "Media (DE)" = paste0(fx(m, 1), " (", fx(s, 1), ")"),
      "Mediana [mín.–máx.]" = paste0(fx(median(x), 1), " [", fx(min(x), 1), "–", fx(max(x), 1), "]"),
      "CV (%)" = fx(if (n > 1) 100 * s / m else NA, 1), "Media geométrica" = fx(exp(mean(log(x))), 1),
      "IC 95 % de la media" = if (n > 1) paste0(fx(ic[1], 1), "–", fx(ic[2], 1)) else "n/d")
  }
  ld <- lim[, c("area", "arbol")]
  ld$arbol_f <- factor(paste0(ld$arbol, " · ", as.character(lim$exposicion)), levels = paste0(comp$arbol, " · ", comp$exposicion))
  table1::label(ld$area) <- "Área foliar de la hoja (cm²)"
  t_desc <- tryCatch(table1::table1(~ area | arbol_f, data = ld, overall = FALSE, droplevels = FALSE, rowlabelhead = "Variable",
                                    render.continuous = rc_arbol, render.missing = NULL, topclass = "Rtable1-times"), error = function(e) NULL)
  if (!is.null(t_desc)) { t1_out(t_desc); ok_t1 <- TRUE }
}
if (!ok_t1) tabla(td_out, align = "llrrrrrrrr")
```

`r R$txt_desc`

```{r fig_porarbol, fig.height=5.6, fig.cap=fcap("porarbol", "Distribución del área foliar por árbol y relación media–dispersión", "**a**, Una caja por árbol (mediana, rango intercuartílico y bigotes de 1,5 × RIC); puntos, hojas; rombos blancos, medias. **b, c**, Desviación estándar frente a la media de cada árbol en la escala original (**b**) y en logaritmos (**c**); la transformación logarítmica estabiliza la varianza si desaparece la dependencia.")}
lim$arbol_f2 <- factor(lim$arbol, levels = comp$arbol)
vacios <- which(comp$n_medida == 0)
etq2 <- setNames(comp$exposicion, comp$arbol)
pa <- ggplot(lim, aes(arbol_f2, area, fill = exposicion)) +
  geom_boxplot(width = .55, outlier.shape = NA, alpha = .5, colour = "grey25", linewidth = .4) +
  geom_jitter(aes(colour = exposicion), width = .13, height = 0, size = 1.7, alpha = .85) +
  stat_summary(fun = mean, geom = "point", shape = 23, size = 3, fill = "white", colour = "grey15") +
  scale_x_discrete(drop = FALSE, labels = function(x) paste0(x, "\n", etq2[x])) +
  scale_fill_manual(values = COL, name = "Exposición") + scale_colour_manual(values = COL, guide = "none") + labs(x = NULL, y = "Área foliar (cm²)")
if (length(vacios)) pa <- pa + annotate("text", x = vacios, y = mean(range(lim$area)), label = "sin áreas\nmedidas", size = 3, colour = "grey40")
pb <- ggplot(desc_all[!is.na(desc_all$de), ], aes(media, de)) + geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = "grey40", linewidth = .4, linetype = 2) +
  geom_point(aes(fill = exposicion), shape = 21, size = 3.4, colour = "grey15") + geom_text(aes(label = arbol), nudge_y = diff(range(desc_all$de, na.rm = TRUE)) * .1 + .3, size = 3) +
  scale_fill_manual(values = COL, guide = "none") + labs(x = "Media del árbol (cm²)", y = "DE dentro del árbol (cm²)")
pc <- ggplot(desc_all[!is.na(desc_all$de_ln), ], aes(media_ln, de_ln)) + geom_smooth(method = "lm", formula = y ~ x, se = FALSE, colour = "grey40", linewidth = .4, linetype = 2) +
  geom_point(aes(fill = exposicion), shape = 21, size = 3.4, colour = "grey15") +
  scale_fill_manual(values = COL, guide = "none") + labs(x = "Media del área (escala log)", y = "DE del área (escala log)")
dd2 <- desc_all[!is.na(desc_all$de), ]
if (nrow(dd2) >= 3) {
  R$r_orig <- cor(dd2$media, dd2$de); R$r_log <- cor(dd2$media_ln, dd2$de_ln)
  pb <- pb + annotate("text", x = min(dd2$media), y = max(dd2$de), hjust = 0, size = 3.2, label = paste0("r = ", fx(R$r_orig, 2)))
  pc <- pc + annotate("text", x = min(dd2$media_ln), y = max(dd2$de_ln), hjust = 0, size = 3.2, label = paste0("r = ", fx(R$r_log, 2)))
}
pa / (pb | pc) + plot_layout(heights = c(1.25, 1)) + plot_annotation(tag_levels = "a")
```

```{r calc_logs, include=FALSE}
R$txt_anova1 <- if (!is.null(R$icc)) paste0("Los árboles ", ifelse(R$icc$p < 0.05, "sí difieren entre sí", "no difieren de forma detectable"), " en el tamaño de sus hojas (ANOVA, *F*(", R$icc$d1, "; ", R$icc$d2, ") = ", fx(R$icc$F, 2), "; ", fpp(R$icc$p),
    "). El ", fx(100 * R$icc$icc, 0), " % de la variación del tamaño se debe a diferencias entre árboles (coeficiente de correlación intraclase, CCI = ", fx(R$icc$icc, 2), "; IC 95 %: ", fx(R$icc$li, 2), "–", fx(R$icc$ls, 2), ")",
    cite("mcgraw1996"), " y el resto, a diferencias entre hojas de un mismo árbol (", fref("varianza"), "). Es decir, las hojas de un mismo árbol tienden a parecerse entre sí.") else
    "No hay suficientes árboles con hojas medidas para repartir la variación."
R$txt_logs <- if (!is.null(R$r_orig)) paste0("Entre árboles, la dispersión de las hojas crece con el tamaño medio (r = ", fx(R$r_orig, 2), ") y esa relación pasa a r = ", fx(R$r_log, 2),
  " al usar logaritmos (", sum(!is.na(desc_all$de)), " árboles; coeficientes solo descriptivos). Por eso el análisis se hace en escala logarítmica y los efectos se expresan como razones de tamaño.") else
  "Con menos de 3 árboles no se evalúa la relación entre media y dispersión; el análisis se hace en escala logarítmica porque el tamaño de una hoja varía de forma multiplicativa."
```

`r R$txt_logs`

### Cuánta variación hay entre árboles

`r R$txt_anova1`

```{r fig_varianza, fig.height=3.3, fig.cap=fcap("varianza", "Reparto de la variación del tamaño de la hoja", paste0("**a**, Componentes de varianza (porcentaje del total) del modelo solo con árbol (estimadores de ANOVA) y, si está disponible, del modelo mixto con la exposición como efecto fijo.", cite("nakagawa2013"), " **b**, Coeficiente de correlación intraclase con su intervalo de confianza de 95 %."))}
if (!is.null(R$icc)) {
  a1 <- R$icc$an; msb <- a1$`Mean Sq`[1]; msw <- a1$`Mean Sq`[2]
  v_t_a <- max((msb - msw) / R$icc$n0, 0); v_e_a <- msw
  vv <- data.frame(modelo = "Solo árbol\n(ANOVA)", comp = c("Entre árboles", "Entre hojas (dentro del árbol)"), v = c(v_t_a, v_e_a))
  if (!is.null(R$mix)) {
    Xm <- lme4::getME(R$mix$m, "X"); vf <- var(as.numeric(Xm %*% lme4::fixef(R$mix$m)))
    vv <- rbind(vv, data.frame(modelo = "Con exposición\n(mixto)", comp = c("Exposición (fija)", "Entre árboles", "Entre hojas (dentro del árbol)"), v = c(vf, R$mix$v_t, R$mix$v_e)))
  }
  vv$pct <- ave(vv$v, vv$modelo, FUN = function(z) 100 * z / sum(z))
  vv$comp <- factor(vv$comp, levels = c("Exposición (fija)", "Entre árboles", "Entre hojas (dentro del árbol)"))
  pa <- ggplot(vv, aes(pct, modelo, fill = comp)) + geom_col(width = .55, colour = "white") +
    geom_text(aes(label = ifelse(pct > 6, paste0(fx(pct, 0), " %"), "")), position = position_stack(vjust = .5), size = 3, colour = "white", fontface = "bold") +
    scale_fill_manual(values = c("Exposición (fija)" = "#E69F00", "Entre árboles" = "#0072B2", "Entre hojas (dentro del árbol)" = "grey70"), name = "Fuente de variación") +
    labs(x = "% de la variación del tamaño de la hoja", y = NULL) + guides(fill = guide_legend(nrow = 2))
  pb <- ggplot(data.frame(x = "CCI", e = R$icc$icc, lo = R$icc$li, hi = R$icc$ls), aes(e, x)) +
    geom_vline(xintercept = c(0, 1), linetype = 3, colour = "grey60") +
    geom_segment(aes(x = lo, xend = hi, y = x, yend = x), linewidth = .8) + geom_point(size = 3.6, shape = 21, fill = "#0072B2") +
    scale_x_continuous(limits = c(min(0, R$icc$li) - .05, 1.02)) + labs(x = "Coeficiente de correlación intraclase", y = NULL) +
    theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())
  pa + pb + plot_layout(widths = c(1.8, 1)) + plot_annotation(tag_levels = "a")
}
```

## Valores atípicos: ¿error de medición u hoja realmente distinta?

<details class="detalle">

<summary>Criterio para decidir si una hoja atípica se conserva (dos pasos)</summary>

Se aplicó un criterio en dos pasos. **Primero**, ¿hay una causa de medición (unidad equivocada, área mayor que el marco, trazo dudoso, foto borrosa)? Si la hay, se corrige o se excluye, como en la revisión de calidad (`r tref("qc")`). **Segundo**, si no hay causa de medición pero la hoja queda fuera de la regla de Tukey de su árbol (Q1 − 1,5·RIC, Q3 + 1,5·RIC) o su *z* robusto basado en la MAD supera 3,5 en valor absoluto, se considera una hoja realmente distinta: **se conserva** y se mide cuánto cambia el resultado sin ella (análisis de sensibilidad). Además se examinaron los residuos studentizados y la distancia de Cook del modelo con árbol.

</details>

```{r tab_atip, results='asis'}
cat(tcap("atip", "Hojas marcadas por algún criterio de atipicidad", "Se evalúan árboles con al menos 4 hojas medidas. <i>z</i> robusto = 0,6745·(x − mediana)/MAD."))
if (nrow(atip_marcadas) > 0) {
  ta <- data.frame(Árbol = atip_marcadas$arbol, `Hoja (n.º)` = atip_marcadas$n_hoja, `Área (cm²)` = fx(atip_marcadas$area, 1),
                   `z robusto` = fx(atip_marcadas$z_robusto, 2), `Fuera de Tukey` = ifelse(atip_marcadas$fuera_tukey, "sí", "no"),
                   `|z| > 3,5` = ifelse(atip_marcadas$fuera_z, "sí", "no"), `Razón área / mediana del árbol` = fx(atip_marcadas$razon_mediana, 2), check.names = FALSE)
  tabla(ta, align = "lrrrccr")
} else cat("<p><i>Ninguna hoja queda fuera de los criterios en los árboles evaluables.</i></p>\n")
R$txt_atip <- paste0("Con los criterios descritos se marcaron ", R$n_atip, " hojas (", tref("atip"), "). Ninguna tiene una causa de medición evidente (su cociente área/marco está dentro del rango observado, ", fx(R$ratio_ok[1], 2), "–", fx(R$ratio_ok[2], 2), "), por lo que se conservan. Según cómo se resuma cada árbol (media, mediana, etc.), la diferencia sombra − sol va de ",
  fx(R$sens_rango[1], 1), " a ", fx(R$sens_rango[2], 1), " cm² (", fref("atipicos"), "b)",
  if (!is.na(R$sens_rango[1]) && R$sens_rango[1] * R$sens_rango[2] < 0) ": **el signo cambia con el resumen elegido**, así que la conclusión depende de unas pocas hojas." else ": el signo no cambia, así que la conclusión no depende de hojas individuales.")
```

`r R$txt_atip`

```{r fig_atipicos, fig.height=3.6, fig.cap=fcap("atipicos", "Detección de hojas atípicas y sensibilidad del resultado", "**a**, *z* robusto de cada hoja respecto de la mediana de su árbol; líneas discontinuas, ±3,5. **b**, Diferencia sombra − sol entre árboles según el estadístico con que se resume cada árbol.")}
if (nrow(atip) > 0) {
  atip$cls <- ifelse(atip$fuera_tukey | atip$fuera_z, "marcada", "dentro")
  pa <- ggplot(atip, aes(arbol, z_robusto)) + geom_hline(yintercept = c(-3.5, 3.5), linetype = 2, colour = "grey50") + geom_hline(yintercept = 0, colour = "grey85") +
    geom_jitter(aes(fill = cls), width = .12, height = 0, shape = 21, size = 2.6, colour = "grey20") +
    scale_fill_manual(values = c(dentro = "grey80", marcada = "#D55E00"), name = "Clasificación") + labs(x = NULL, y = "z robusto (MAD)")
} else pa <- ggplot() + theme_void() + annotate("text", x = 0, y = 0, label = "Sin árboles evaluables")
sens_tab$Resumen <- factor(sens_tab$Resumen, levels = sens_tab$Resumen[order(sens_tab$dif)])
pb <- ggplot(sens_tab, aes(dif, Resumen)) + geom_vline(xintercept = 0, linetype = 3) +
  geom_segment(aes(x = 0, xend = dif, yend = Resumen), colour = "grey60") + geom_point(size = 3.5, shape = 21, fill = COL["sombra"], colour = "grey15") +
  labs(x = "Sombra − sol (cm²)", y = NULL)
pa + pb + plot_layout(widths = c(1, 1.15)) + plot_annotation(tag_levels = "a")
```

## La unidad de análisis es el árbol

La exposición se asignó al árbol, no a la hoja: las hojas de un mismo árbol comparten suelo, edad, genotipo y luz. Tratarlas como réplicas de la exposición multiplica artificialmente el tamaño de muestra.`r cite("hurlbert1984")` Cuantificamos esa inflación con el **efecto de diseño**, *DEFF* = 1 + (*m̄* − 1)·CCI, y con el tamaño de muestra efectivo, *N*/*DEFF*.

```{r tab_pseudo, results='asis'}
R$deff <- NA; R$neff <- NA
if (!is.null(R$icc)) { mbar <- nrow(limA) / nlevels(limA$arbol_f); R$deff <- 1 + (mbar - 1) * max(R$icc$icc, 0); R$neff <- nrow(limA) / R$deff; R$mbar <- mbar }
filas <- list()
if (!is.null(R$pseudo)) filas[[1]] <- c("Hojas como datos independientes (incorrecto)", R$pseudo$n, fx(R$pseudo$razon, 2), fci(R$pseudo$li, R$pseudo$ls), fp(R$pseudo$p))
filas[[length(filas) + 1]] <- c("Un promedio por árbol (correcto)", paste0(R$n_sol, " + ", R$n_som, " = ", R$n_sol + R$n_som), fx(bA$razon, 2), fci(bA$li, bA$ls), fp(bA$p_welch))
tp <- as.data.frame(do.call(rbind, filas), stringsAsFactors = FALSE)
names(tp) <- c("Estrategia de análisis", "Unidades analizadas (n)", "Razón sombra/sol", "IC 95 %", "Valor de p (Welch)")
cat(tcap("pseudo", "Pseudorreplicación: hojas frente a árboles como unidad de análisis", paste0("Prueba de Welch en escala logarítmica (razón de medias geométricas). Efecto de diseño estimado: ", fx(R$deff, 1), "; tamaño de muestra efectivo ≈ ", fx(R$neff, 1), " hojas independientes de ", nrow(limA), ".")))
tabla(tp, align = "lrrrr")
R$txt_pseudo <- if (!is.null(R$pseudo)) paste0("Si las ", R$pseudo$n, " hojas se trataran como datos independientes, el valor de *p* sería ", fp(R$pseudo$p), " (en lugar de ", fp(bA$p_welch), ") y el intervalo parecería más estrecho (", fci(R$pseudo$li, R$pseudo$ls), " frente a ", fci(bA$li, bA$ls),
  "). Esa precisión es ilusoria: como las hojas de un mismo árbol se parecen entre sí (CCI = ", fx(R$icc$icc, 2), "), las ", nrow(limA), " hojas aportan información equivalente a solo unas ", fx(R$neff, 0), " hojas independientes.") else "No hay dos exposiciones con datos suficientes para ilustrar la pseudorreplicación."
```

`r R$txt_pseudo`

```{r fig_exposicion, fig.height=4.4, fig.cap=fcap("exposicion", "El contraste sol–sombra: hojas frente a árboles", "**a**, Hojas (descriptivo): cada símbolo es un árbol distinto; las hojas del mismo árbol se agrupan, lo que revela su falta de independencia. **b**, Unidad de análisis correcta: un punto por árbol (media aritmética de sus hojas), con la media de cada exposición y su intervalo de confianza <i>t</i> de 95 % (barra); *n* = número de árboles.")}
if (nlevels(limA$exposicion) == 2) {
  pa <- ggplot(limA, aes(exposicion, area)) +
    geom_violin(aes(fill = exposicion), alpha = .22, colour = NA, scale = "width") +
    geom_boxplot(width = .14, outlier.shape = NA, fill = "white", colour = "grey25", linewidth = .4) +
    geom_jitter(aes(fill = exposicion, shape = arbol), width = .14, height = 0, size = 2.2, colour = "grey15", stroke = .3, alpha = .85) +
    scale_fill_manual(values = COL, guide = "none") + scale_shape_manual(values = shp_f, name = "Árbol") + labs(x = NULL, y = "Área foliar de la hoja (cm²)")
  ex_sum <- do.call(rbind, lapply(split(arb, droplevels(arb$exposicion)), function(d) {
    n <- nrow(d); m <- mean(d$media); s <- if (n > 1) sd(d$media) else NA; tc <- if (n > 1) qt(.975, n - 1) else NA
    data.frame(exposicion = as.character(d$exposicion[1]), n = n, m = m, li = m - tc * s / sqrt(n), ls = m + tc * s / sqrt(n))
  }))
  ex_sum$exposicion <- factor(ex_sum$exposicion, levels = c("sol", "sombra"))
  pb <- ggplot() +
    geom_segment(data = ex_sum, aes(x = exposicion, xend = exposicion, y = li, yend = ls), linewidth = 1.1, colour = "grey20", na.rm = TRUE) +
    geom_point(data = ex_sum, aes(exposicion, m), shape = 95, size = 14, colour = "grey20") +
    geom_point(data = arb, aes(exposicion, media, fill = exposicion, shape = arbol), size = 4, colour = "grey15", stroke = .5, position = position_nudge(x = .18)) +
    geom_text(data = arb, aes(exposicion, media, label = arbol), nudge_x = .32, size = 3, colour = "grey25") +
    geom_text(data = ex_sum, aes(exposicion, Inf, label = paste0("n = ", n, " árboles")), vjust = 1.6, size = 3.2) +
    scale_fill_manual(values = COL, guide = "none") + scale_shape_manual(values = shp_f, guide = "none") + labs(x = NULL, y = "Área foliar media del árbol (cm²)")
  pa + pb + plot_layout(widths = c(1.2, 1)) + plot_annotation(tag_levels = "a")
}
```

## Inferencia sobre la exposición con el árbol como unidad

Sobre los promedios de árbol se aplicaron seis enfoques complementarios (`r tref("bateria")`), que se resumen en la `r fref("forest")`.

<details class="detalle">

<summary>Ver los seis enfoques y el tamaño del efecto</summary>

Los enfoques fueron: la prueba *t* de Welch,`r cite("welch1947")` sobre la escala original y sobre la escala logarítmica (que da directamente una razón de medias geométricas); la prueba de Wilcoxon exacta;`r cite("wilcoxon1945")` una prueba de permutación exacta que enumera todos los repartimientos posibles de las etiquetas sol/sombra entre los árboles; un bootstrap jerárquico en dos etapas (árboles y luego hojas dentro de árbol);`r cite("efron1979")` el modelo mixto con el árbol como efecto aleatorio, con grados de libertad de Satterthwaite;`r cite("bates2015", "kuznetsova2017", "satterthwaite1946")` y el ANOVA anidado, que prueba la exposición contra la variación entre árboles. El tamaño del efecto se resume con la *g* de Hedges.`r cite("hedges1981", "lakens2013")`

</details>

```{r tab_bateria, results='asis'}
fil <- list()
fil[[1]] <- c("Welch con el promedio por árbol (escala log)", paste0("razón = ", fx(bA$razon, 2)), fci(bA$li, bA$ls), paste0("gl = ", fx(bA$df, 1)), fp(bA$p_welch))
fil[[2]] <- c("Welch sobre área media por árbol (cm²)", if (!is.null(bcm)) paste0("dif. = ", fx(bcm$dif, 1), " cm²") else "n/d", if (!is.null(bcm)) fci(bcm$li, bcm$ls, 1) else "n/d", "", if (!is.null(bcm)) fp(bcm$p) else "n/d")
fil[[3]] <- c("Wilcoxon (exacta)", "—", "—", "", fp(bA$p_wilcox))
fil[[4]] <- c("Permutación exacta de etiquetas", "—", "—", paste0(if (!is.null(bA$perm)) bA$perm$n_rep else "n/d", " repartos; p mínimo = ", R$pmin_txt), fp(bA$p_perm))
fil[[5]] <- c("Bootstrap jerárquico (percentil)", if (!is.null(R$boot)) paste0("razón = ", fx(exp(median(R$boot)), 2)) else "n/d", if (!is.null(R$boot)) fci(R$boot_ci[1], R$boot_ci[2]) else "n/d",
              if (!is.null(R$boot)) paste0("P(razón > 1) = ", fx(R$boot_prob, 2)) else "", "—")
fil[[6]] <- c("Modelo mixto (árbol aleatorio)", if (!is.null(R$mix)) paste0("razón = ", fx(R$mix$razon, 2)) else "no disponible", if (!is.null(R$mix)) fci(R$mix$li, R$mix$ls) else "—",
              if (!is.null(R$mix)) paste0("t = ", fx(R$mix$t, 2), "; gl = ", fx(R$mix$df, 1)) else "", if (!is.null(R$mix)) fp(R$mix$p) else "—")
fil[[7]] <- c("ANOVA anidado (exposición vs. árbol)", "—", "—", if (!is.null(R$nested)) paste0("F(1; ", R$nested$an$Df[2], ") = ", fx(R$nested$Fe, 2)) else "n/d", if (!is.null(R$nested)) fp(R$nested$pe) else "n/d")
fil[[8]] <- c("Tamaño del efecto (g de Hedges, escala log)", paste0("g = ", fx(bA$g, 2)), fci(bA$g_li, bA$g_ls), "", "—")
tb <- as.data.frame(do.call(rbind, fil), stringsAsFactors = FALSE); names(tb) <- c("Método de análisis", "Estimación (sombra respecto de sol)", "IC 95 %", "Estadístico / detalle", "Valor de p")
cat(tcap("bateria", "Comparación sol–sombra con el árbol como unidad (análisis primario: áreas medidas)", paste0("Razones y diferencias son sombra respecto de sol; ", R$n_sol, " árboles de sol y ", R$n_som, " de sombra. El IC del bootstrap es percentil; los demás son <i>t</i> (Welch o Satterthwaite).")))
tabla(tb, align = "lrrrr")
bt_txt <- if (!is.null(R$boot)) paste0("El bootstrap jerárquico solo dispone de ", R$boot_nuniq, " combinaciones distintas de árboles, por lo que su intervalo describe la inestabilidad del resultado más que una inferencia fiable.") else ""
R$txt_bat <- if (is.na(bA$p_welch)) "Con los árboles disponibles no es posible estimar un contraste inferencial." else paste0(
  "En promedio, las hojas de los árboles de sombra midieron ", fx(R$m_som, 1), " cm² y las de sol, ", fx(R$m_sol, 1), " cm² (diferencia = ", fx(R$dif_cm, 1), " cm²). En razón de tamaños sombra/sol, ", fx(bA$razon, 2), " (IC 95 %: ", fx(bA$li, 2), "–", fx(bA$ls, 2),
  "; ", fpp(bA$p_welch), "; tamaño del efecto *g* de Hedges = ", fx(bA$g, 2), "). ", R$frase_h1, " ",
  if (R$no_alcanza) paste0("Además, con ", R$n_sol, " y ", R$n_som, " árboles solo hay ", bA$perm$n_rep, " repartos posibles de las etiquetas sol/sombra, de modo que el menor valor de *p* que se podría obtener es ", R$pmin_txt, ": **este diseño no puede alcanzar significación al 5 %, sean cuales sean los datos**. ") else
    paste0("La prueba de permutación exacta da ", fpp(bA$p_perm), ". "), bt_txt)
```

`r R$txt_bat`

```{r fig_perm, fig.height=3.2, fig.cap=fcap("perm", "Distribución de permutación exacta de la razón sombra/sol", "Cada punto es un reparto posible de las etiquetas *sol* y *sombra* entre los árboles analizados; la línea azul es el reparto observado y la línea punteada, la ausencia de efecto (razón = 1). Si el factor no importara, todos los repartos serían igualmente probables.")}
pe <- bA$perm
if (!is.null(pe)) {
  dfp <- data.frame(r = exp(pe$d)); dfp$k <- round(dfp$r, 4); dfp$y <- ave(dfp$k, dfp$k, FUN = seq_along)
  ggplot(dfp, aes(r, y)) + geom_vline(xintercept = 1, linetype = 3) + geom_vline(xintercept = exp(pe$obs), colour = COL["sombra"], linewidth = 1) +
    geom_point(size = 4.2, shape = 21, fill = "grey85", colour = "grey30") +
    annotate("text", x = exp(pe$obs), y = max(dfp$y) + .7, label = "observado", colour = COL["sombra"], size = 3.3, hjust = -.1) +
    scale_x_log10() + scale_y_continuous(expand = expansion(add = c(.5, 1))) +
    labs(x = "Razón de medias geométricas sombra/sol (escala log)", y = "Repartos") + theme(axis.text.y = element_blank(), axis.ticks.y = element_blank())
}
```

```{r fig_forest, fig.height=3.9, fig.cap=fcap("forest", "La razón sombra/sol según el método y la base de datos", "Puntos: estimaciones; barras: intervalos de confianza de 95 % (escala logarítmica). **A**, áreas medidas, con el árbol como unidad; **B**, área del marco de las hojas; **C** (solo si hubo áreas pendientes), áreas medidas más las pendientes completadas con el modelo del marco. En rojo, el análisis con hojas como réplicas (incorrecto). Una razón de 1 significa ausencia de efecto.")}
fr <- data.frame(label = character(), est = numeric(), lo = numeric(), hi = numeric(), tipo = character(), stringsAsFactors = FALSE)
addf <- function(l, e, lo, hi, t) if (!is.null(e) && length(e) == 1 && !is.na(e)) fr <<- rbind(fr, data.frame(label = l, est = e, lo = lo, hi = hi, tipo = t, stringsAsFactors = FALSE))
addf("A · Welch sobre promedios de árbol", bA$razon, bA$li, bA$ls, "correcto")
if (!is.null(R$mix)) addf("A · Modelo mixto (árbol aleatorio)", R$mix$razon, R$mix$li, R$mix$ls, "correcto")
if (!is.null(R$boot)) addf("A · Bootstrap jerárquico", exp(median(R$boot)), R$boot_ci[1], R$boot_ci[2], "correcto")
addf("B · Marco de todas las hojas", bB$razon, bB$li, bB$ls, "correcto")
if (R$n_imp > 0) addf("C · Medidas + completadas", bC$razon, bC$li, bC$ls, "correcto")
if (!is.null(R$pseudo)) addf("Hojas como réplicas (incorrecto)", R$pseudo$razon, R$pseudo$li, R$pseudo$ls, "incorrecto")
if (nrow(fr) > 0) {
  fr$label <- factor(fr$label, levels = rev(fr$label))
  ggplot(fr, aes(est, label, colour = tipo)) + geom_vline(xintercept = 1, linetype = 2, colour = "grey50") +
    geom_segment(aes(x = lo, xend = hi, yend = label), linewidth = 1, na.rm = TRUE) + geom_point(size = 3.4) +
    scale_colour_manual(values = c(correcto = "#0072B2", incorrecto = "#D55E00"), guide = "none") +
    scale_x_log10(breaks = c(.25, .5, 1, 2, 4, 8)) + labs(x = "Razón de áreas sombra/sol (escala log)", y = NULL)
}
```

## Modelo mixto y ANOVA anidado

El modelo mixto compara la exposición usando todas las hojas, pero respetando que cada hoja pertenece a un árbol: el tamaño de la hoja depende de la exposición (efecto fijo) y de un efecto propio de cada árbol (efecto aleatorio). Es el equivalente moderno del ANOVA anidado y, con datos desbalanceados (distinto número de hojas por árbol, como aquí), es preferible. `r if (HAS_LMER) "" else "**El paquete lme4/lmerTest no está disponible; se muestra solo el ANOVA anidado.**"`

```{r tab_mixto, results='asis'}
if (!is.null(R$mix)) {
  mx <- R$mix
  t1 <- data.frame(
    Medida = c("Razón de áreas sombra/sol", "Variación explicada por la exposición", "Variación debida a diferencias entre árboles", "Variación entre hojas del mismo árbol", "¿Difieren los árboles entre sí?"),
    Valor = c(paste0(fx(mx$razon, 2), " ", fci(mx$li, mx$ls), "; ", gsub("\\*", "", fpp(mx$p))),
              paste0(fx(100 * mx$r2m, 0), " %"), paste0(fx(100 * (mx$r2c - mx$r2m), 0), " %"), paste0(fx(100 * (1 - mx$r2c), 0), " %"),
              gsub("\\*", "", fpp(mx$p_ranef))),
    `Qué significa` = c("Cuántas veces es mayor (> 1) o menor (< 1) la hoja de sombra respecto de la de sol; 1 = sin diferencia. Entre corchetes, IC 95 %.",
                        "Parte de la variación total del tamaño de las hojas que se explica solo por sol o sombra.",
                        "Parte de la variación total debida a que unos árboles tienen hojas más grandes que otros, además de lo que explica la exposición.",
                        "Parte de la variación total que corresponde a diferencias entre hojas de un mismo árbol.",
                        paste0("Prueba de que la variación entre árboles es mayor que cero.", ifelse(mx$singular, " Ajuste singular: la variación entre árboles estimada es ≈ 0.", ""))),
    check.names = FALSE, stringsAsFactors = FALSE)
  cat(tcap("mixto", "Modelo mixto: razón sombra/sol y reparto de la variación del tamaño de la hoja", "Estimado con todas las hojas y el árbol como efecto aleatorio (REML; gl de Satterthwaite). El modelo se ajusta en escala logarítmica, pero aquí la razón se expresa en la escala original. Los tres porcentajes suman 100 % (salvo redondeo)."))
  tabla(t1, align = "lll")
} else cat("<p><i>Modelo mixto no disponible (faltan paquetes o árboles).</i></p>")
```

```{r tab_anova, results='asis'}
if (!is.null(R$nested)) {
  an <- R$nested$an
  t2 <- data.frame(`Fuente de variación` = c("Exposición", "Árbol (dentro de exposición)", "Hojas (residual)"), `gl` = an$Df, `Suma de cuadrados` = fx(an$`Sum Sq`, 3), `Cuadrado medio` = fx(an$`Mean Sq`, 3),
                   `Se prueba contra` = c("CM de árbol", "CM de hojas", ""), `F` = c(fx(R$nested$Fe, 2), fx(R$nested$Fa, 2), ""), `Valor de p` = c(fp(R$nested$pe), fp(R$nested$pa), ""), check.names = FALSE, stringsAsFactors = FALSE)
  cat(tcap("anova", "ANOVA anidado: hojas dentro de árboles dentro de exposición", "Análisis en escala logarítmica. La exposición se prueba contra el cuadrado medio de árbol, que es su error experimental correcto. Con número desigual de hojas por árbol la partición secuencial es aproximada; el modelo mixto es la referencia."))
  tabla(t2, align = "lrrrlrr")
  R$txt_nested <- paste0("El ANOVA anidado da el mismo mensaje: la exposición ", ifelse(R$nested$pe < 0.05, "tiene un efecto detectable", "no tiene un efecto detectable"), " (*F*(1; ", an$Df[2], ") = ", fx(R$nested$Fe, 2), "; ", fpp(R$nested$pe), ") y los árboles de una misma exposición ",
                         ifelse(R$nested$pa < 0.05, "sí difieren entre sí", "no difieren de forma detectable"), " (", fpp(R$nested$pa), "). ")
} else { cat("<p><i>ANOVA anidado no disponible (se requieren al menos 3 árboles y las dos exposiciones).</i></p>"); R$txt_nested <- "" }
R$txt_mix <- if (!is.null(R$mix)) paste0("El modelo mixto estima una razón sombra/sol de ", fx(R$mix$razon, 2), " (IC 95 %: ", fx(R$mix$li, 2), "–", fx(R$mix$ls, 2), "; ", fpp(R$mix$p),
  "). La exposición explica solo el ", fx(100 * R$mix$r2m, 0), " % de la variación del tamaño de las hojas; las diferencias entre árboles, el ", fx(100 * (R$mix$r2c - R$mix$r2m), 0), " %; y el ", fx(100 * (1 - R$mix$r2c), 0), " % restante corresponde a diferencias entre hojas del mismo árbol (", tref("mixto"), "). ") else ""
```

`r R$txt_mix` `r R$txt_nested` Como la exposición se asignó a árboles y no a hojas, el contraste depende del número de árboles; por eso los intervalos son anchos aunque haya muchas hojas. A continuación se revisan los supuestos del modelo (`r fref("diag")`).

```{r fig_diag, fig.height=3.4, fig.cap=fcap("diag", "Diagnóstico del modelo", "**a**, Residuos frente a valores ajustados: no debería verse ningún patrón. **b**, Gráfico cuantil–cuantil de los residuos: los puntos deberían seguir la línea. Los residuos del modelo mixto son los condicionales.")}
mm <- NULL
if (!is.null(R$mix)) mm <- R$mix$m else if (exists("m_nest")) mm <- m_nest
if (!is.null(mm)) {
  dd3 <- data.frame(e = as.numeric(resid(mm)), f = as.numeric(fitted(mm)), arbol = limA$arbol, expo = limA$exposicion)
  p1 <- ggplot(dd3, aes(f, e)) + geom_hline(yintercept = 0, linetype = 2) + geom_point(aes(fill = expo), shape = 21, size = 2.2, colour = "grey20", alpha = .85) +
    scale_fill_manual(values = COL, guide = "none") + labs(x = "Valor ajustado", y = "Residuo")
  p2 <- ggplot(dd3, aes(sample = e)) + stat_qq_line(colour = "grey40") + stat_qq(size = 1.8, alpha = .8) + labs(x = "Cuantiles teóricos", y = "Cuantiles de los residuos")
  p1 + p2 + plot_annotation(tag_levels = "a")
}
```

```{r calc_sup, include=FALSE}
R$txt_sup <- if (!is.null(R$sup)) {
  ok_n <- R$sup$sh_p >= 0.05; ok_v <- R$sup$fl_p >= 0.05
  paste0("En el diagnóstico del modelo (", fref("diag"), ") ", ifelse(ok_n, "los residuos son compatibles con una distribución normal", "los residuos se apartan de la normalidad"),
    " (Shapiro–Wilk, ", fpp(R$sup$sh_p), ")", cite("shapiro1965"), " y ", ifelse(ok_v, "la variación es similar entre árboles", "la variación difiere entre árboles"), " (Fligner–Killeen, ", fpp(R$sup$fl_p), ")", cite("fligner1976"), ". ",
    "Las pruebas que no dependen de esos supuestos (ANOVA de Welch y Kruskal–Wallis)", cite("welch1947", "kruskal1952"),
    ifelse((R$sup$welch_p < 0.05) == (R$icc$p < 0.05) && (R$sup$kw_p < 0.05) == (R$icc$p < 0.05), " llevan a la misma conclusión que el ANOVA", " no coinciden del todo con el ANOVA"),
    " (", fpp(R$sup$welch_p), " y ", fpp(R$sup$kw_p), ", respectivamente). Con pocas hojas por árbol estas pruebas detectan poco, por eso se interpreta siempre el gráfico.")
} else ""
```

`r R$txt_sup`

## Diferencias entre árboles: ANOVA y comparaciones múltiples de Tukey

`r if (!is.null(R$tk)) paste0("Con ", nlevels(limA$arbol_f), " árboles hay ", R$tk_n, " comparaciones por pares. Hacer tantas pruebas sueltas al 5 % elevaría la probabilidad de algún falso positivo a ≈ ", fx(100 * (1 - 0.95^R$tk_n), 0), " %, por lo que se usó la prueba HSD de Tukey,", cite("tukey1949"), " que controla el error del conjunto, contrastada con pruebas de Welch por pares con ajuste de Holm.", cite("holm1979"), " Los árboles difieren en ", R$tk_nsig, " de ", R$tk_n, " pares (", tref("tukey"), ", ", fref("tukey"), "), y en ", R$tk_misma_sig, " de ", R$tk_misma_n, " pares de árboles de la **misma exposición**. Es decir, dos árboles con la misma exposición pueden diferir tanto como uno de sol y uno de sombra: esa variación entre árboles es el ruido frente al cual debe competir el efecto de la exposición.") else "No hay suficientes árboles (≥ 3, cada uno con varias hojas medidas) para comparaciones múltiples."`

```{r tab_tukey, results='asis'}
if (!is.null(R$tk)) {
  tk <- R$tk
  t3 <- data.frame(`Comparación (A / B)` = tk$comparacion, `Misma exposición` = ifelse(tk$misma, "sí", "no"), `Razón A/B` = fx(tk$razon, 2), `IC 95 % (Tukey)` = fci(tk$li, tk$ls),
                   `p ajustado (Tukey)` = fp(tk$p), `p ajustado (Welch + Holm)` = fp(tk$p_welch_holm), `Difieren (5 %)` = ifelse(tk$p < 0.05, "sí", "no"), check.names = FALSE, stringsAsFactors = FALSE)
  cat(tcap("tukey", "Comparaciones por pares entre árboles", "Escala logarítmica, mostradas como razones de áreas (A respecto de B)."))
  tabla(t3, align = "lcrrrrc")
}
```

```{r fig_tukey, fig.height=4.2, fig.cap=fcap("tukey", "Razón de áreas entre pares de árboles", "Razón con su intervalo HSD de Tukey (escala log). Si el intervalo cruza 1, no hay diferencia detectable. Círculos rellenos: árboles de la misma exposición; círculos vacíos: exposiciones distintas. Rojo: diferencia detectable al 5 %.")}
if (!is.null(R$tk)) {
  tk <- R$tk; tk$y <- factor(tk$comparacion, levels = rev(tk$comparacion)); tk$sig <- ifelse(tk$p < 0.05, "sí", "no")
  ggplot(tk, aes(razon, y, colour = sig)) + geom_vline(xintercept = 1, linetype = 2, colour = "grey50") +
    geom_segment(aes(x = li, xend = ls, yend = y), linewidth = .9) +
    geom_point(aes(shape = misma), size = 3.2, fill = "white", stroke = 1) +
    scale_shape_manual(values = c(`TRUE` = 16, `FALSE` = 21), labels = c(`TRUE` = "misma exposición", `FALSE` = "exposición distinta"), name = NULL) +
    scale_colour_manual(values = c("sí" = "#D55E00", "no" = "grey45"), guide = "none") + scale_x_log10() + labs(x = "Razón de áreas A/B (escala log)", y = NULL)
}
```

## Robustez frente a la base de datos y a árboles individuales

`r R$txt_rob`

```{r tab_sens, results='asis'}
mk <- function(lab, b, extra = "") c(lab, paste0(b$n_sol, " / ", b$n_som), fx(b$razon, 2), fci(b$li, b$ls), fp(b$p_welch), fp(b$p_wilcox), fp(b$p_perm))
fs <- list(mk("A · Áreas medidas", bA), mk("B · Marco de todas las hojas", bB))
if (R$n_imp > 0) fs[[3]] <- mk("C · Medidas + completadas", bC)
if (!is.null(R$sim)) fs[[length(fs) + 1]] <- c("C · incertidumbre del completado (mediana y rango 2,5–97,5 %)", "—", fx(R$sim_q[2], 2), fci(R$sim_q[1], R$sim_q[3]), "—", "—", "—")
if (!is.null(R$jk)) fs[[length(fs) + 1]] <- c("A · dejando un árbol fuera (rango)", "—", paste0(fx(R$jk_rango[1], 2), "–", fx(R$jk_rango[2], 2)), "—", "—", "—", "—")
ts <- as.data.frame(do.call(rbind, fs), stringsAsFactors = FALSE)
names(ts) <- c("Base de datos", "n árboles (sol / sombra)", "Razón sombra/sol", "IC 95 %", "p Welch", "p Wilcoxon", "p permutación")
cat(tcap("sens", "Sensibilidad del contraste sol–sombra a la base de datos y a árboles individuales", "Welch, Wilcoxon exacta y permutación exacta sobre promedios de árbol (escala log para las razones)."))
tabla(ts, align = "lrrrrrr")
dirs <- c(bA$razon, bB$razon, if (R$n_imp > 0) bC$razon); dirs <- dirs[!is.na(dirs)]
R$concord <- length(dirs) >= 2 && (all(dirs > 1) || all(dirs < 1))
R$txt_sens <- paste0("Las bases de datos analizadas ", if (R$concord) paste0("apuntan en la misma dirección (", ifelse(all(dirs > 1), "hojas mayores en sombra", "hojas mayores en sol"), ")") else "**no coinciden** en la dirección del efecto",
  ". Clasificación: A, ", R$conc_A, "; B, ", R$conc_B, if (R$n_imp > 0) paste0("; C, ", R$conc_C) else "", ". ",
  if (!is.null(R$sim)) paste0("Completar las áreas pendientes añade poca incertidumbre (", fx(R$sim_q[1], 2), "–", fx(R$sim_q[3], 2), ") frente a la que impone el número de árboles. ") else "",
  if (!is.na(R$jk_rango[1])) paste0("Al quitar un árbol a la vez, la razón varía entre ", fx(R$jk_rango[1], 2), " y ", fx(R$jk_rango[2], 2),
    if (R$jk_cruza) paste0(": **el resultado cambia de signo según el árbol que se omita**, es decir, depende de árboles concretos (", fref("jack"), ").") else paste0(": la dirección se mantiene (", fref("jack"), ").")) else "")
```

`r R$txt_sens`

```{r fig_sensib, fig.height=3.3, fig.cap=fcap("sensib", "Incertidumbre propagada del completado de las áreas pendientes", "Distribución de la razón sombra/sol en las simulaciones que reemplazan cada área pendiente por una predicción del modelo marco → área más ruido residual. Línea azul: estimación con el completado determinista (C); línea negra: análisis con solo áreas medidas (A).")}
if (!is.null(R$sim)) {
  ggplot(data.frame(r = exp(R$sim)), aes(r)) + geom_histogram(bins = 40, fill = "grey80", colour = "white") +
    geom_vline(xintercept = bC$razon, colour = COL["sombra"], linewidth = 1) + geom_vline(xintercept = bA$razon, colour = "black", linetype = 2) + geom_vline(xintercept = 1, linetype = 3, colour = "grey50") +
    labs(x = "Razón sombra/sol", y = "Simulaciones")
} else ggplot() + theme_void() + annotate("text", x = 0, y = 0, label = "No hay áreas pendientes que completar")
```

```{r fig_jack, fig.height=3.2, fig.cap=fcap("jack", "Influencia de cada árbol (omisión de un árbol a la vez)", "Razón sombra/sol al excluir cada árbol. Línea discontinua: estimación con todos los árboles; línea punteada: ausencia de efecto. Un árbol cuya omisión cambia mucho la estimación es un árbol influyente.")}
jj <- R$jk[!is.na(R$jk$razon), ]
if (nrow(jj) > 0) ggplot(jj, aes(razon, reorder(omitido, razon))) + geom_vline(xintercept = 1, linetype = 3) + geom_vline(xintercept = bA$razon, linetype = 2, colour = "grey40") +
  geom_segment(aes(x = bA$razon, xend = razon, yend = omitido), colour = "grey60") + geom_point(aes(fill = exposicion), shape = 21, size = 4, colour = "grey15") +
  scale_fill_manual(values = COL, name = "Exposición del árbol omitido") + labs(x = "Razón sombra/sol sin ese árbol", y = "Árbol omitido")
```

## Potencia y tamaño de muestra

Con la desviación estándar entre árboles observada (en escala logarítmica; `r if (!is.null(R$pot)) paste0("σ = ", fx(R$pot$sd_t, 2), ", IC 95 %: ", fx(R$pot$sd_ic[1], 2), "–", fx(R$pot$sd_ic[2], 2), ", con solo ", R$pot$gl, " grados de libertad") else "n/d"`), se calculó la razón mínima detectable con 80 % de potencia y α = 0,05 según el número de árboles por exposición (`r fref("potencia")`).

```{r fig_potencia, fig.height=3.6, fig.cap=fcap("potencia", "Diferencia mínima detectable en función del número de árboles", "Razón sombra/sol detectable con 80 % de potencia (prueba *t* de dos muestras sobre promedios de árbol; banda: incertidumbre de la desviación estándar entre árboles estimada con pocos grados de libertad). Línea vertical: árboles por exposición en el análisis A; línea azul discontinua: razón observada.")}
if (!is.null(R$pot)) {
  p <- R$pot
  lo <- vapply(p$ns, function(n) exp(power.t.test(n = n, power = .8, sd = p$sd_ic[1])$delta), numeric(1))
  hi <- vapply(p$ns, function(n) exp(power.t.test(n = n, power = .8, sd = p$sd_ic[2])$delta), numeric(1))
  dfp <- data.frame(n = p$ns, mde = p$mde, lo = lo, hi = hi)
  ggplot(dfp, aes(n, mde)) + geom_ribbon(aes(ymin = lo, ymax = hi), fill = "grey87") + geom_line(linewidth = .9) +
    geom_hline(yintercept = 1, linetype = 3) + geom_hline(yintercept = bA$razon, colour = COL["sombra"], linetype = 2) +
    geom_vline(xintercept = min(R$n_sol, R$n_som), colour = "grey40", linetype = 2) +
    scale_y_log10(breaks = c(1, 1.25, 1.5, 2, 3, 5)) + coord_cartesian(ylim = c(1, 5)) +
    labs(x = "Árboles por exposición", y = "Razón mínima detectable (sombra/sol)")
}
```

`r if (!is.null(R$pot)) paste0("Con ", min(R$n_sol, R$n_som), " árboles por exposición, la razón mínima detectable es ≈ ", fx(R$pot$mde[R$pot$ns == max(2, min(R$n_sol, R$n_som))], 2), ", es decir, solo diferencias muy grandes. Para detectar razones de 1,2; 1,3; 1,5 y 2,0 se necesitarían aproximadamente ", paste(R$pot$req$n, collapse = ", "), " árboles por exposición, respectivamente (con la desviación entre árboles aquí estimada, que es incierta). La conclusión práctica coincide con la de la partición de varianza: conviene medir **más árboles** antes que más hojas por árbol.") else ""`

## Forma de la hoja y contexto espacial

```{r fig_forma, fig.height=3.8, fig.cap=fcap("forma", "Relación de aspecto del marco y posición espacial de los árboles", "**a**, Relación de aspecto (lado mayor/lado menor del marco) por árbol, como indicador burdo de la forma. **b**, Media geométrica del área de cada árbol frente a su posición norte–sur; un patrón espacial podría confundirse con la exposición.")}
dfa <- datos[!is.na(datos$aspecto), ]; dfa$arbol_f <- factor(dfa$arbol, levels = comp$arbol)
pa <- ggplot(dfa, aes(arbol_f, aspecto, fill = exposicion)) + geom_boxplot(width = .55, outlier.shape = NA, alpha = .5, colour = "grey25", linewidth = .4) +
  geom_jitter(width = .12, height = 0, size = 1.4, alpha = .7) + scale_fill_manual(values = COL, name = "Exposición") + labs(x = NULL, y = "Lado mayor / lado menor")
pbd <- merge(desc_all[, c("arbol", "exposicion", "geom")], geo[, c("arbol", "y_m")], by = "arbol")
pb <- ggplot(pbd, aes(y_m, geom, fill = exposicion)) + geom_point(shape = 21, size = 4, colour = "grey15") + geom_text(aes(label = arbol), nudge_y = diff(range(pbd$geom)) * .08 + .5, size = 3) +
  scale_fill_manual(values = COL, guide = "none") + labs(x = "Posición norte–sur respecto del centroide (m)", y = "Media geométrica del área (cm²)")
if (nrow(pbd) >= 4) { ct <- suppressWarnings(cor.test(pbd$y_m, pbd$geom, method = "spearman")); R$sp_rho <- unname(ct$estimate); R$sp_p <- ct$p.value }
pa + pb + plot_annotation(tag_levels = "a")
```

`r paste0("La relación de aspecto del marco fue ", fx(R$asp_media, 2), " en promedio (rango ", fx(R$asp_rango[1], 2), "–", fx(R$asp_rango[2], 2), "), propia de láminas bilobuladas casi tan anchas como largas",   if (!is.na(bAsp$p_welch)) paste0("; entre exposiciones la razón de aspecto fue ", fx(bAsp$razon, 2), " (IC 95 %: ", fx(bAsp$li, 2), "–", fx(bAsp$ls, 2), "; ", fpp(bAsp$p_welch), "), ", ifelse(bAsp$p_welch < 0.05, "indicio de un cambio de forma además de tamaño", "sin indicio de cambio de forma"), ". ") else ". ",   "El árbol más alejado del centroide (", R$lejano, ", a ", fx(R$dist_lejano, 0), " m) ", if (!is.null(R$sp_rho)) paste0("hace que la correlación de Spearman entre la posición norte–sur y el tamaño sea ρ = ", fx(R$sp_rho, 2), " (", fpp(R$sp_p), ", n = ", nrow(pbd), ", solo exploratoria). ") else "impide estimar una asociación espacial con tan pocos árboles. ",   "Con tan pocos árboles, la exposición y la ubicación no pueden separarse.")`

# Discusión

```{r calc_disc, include=FALSE}
R$txt_disc1 <- if (is.na(bA$p_welch)) "Con los árboles disponibles no puede estimarse el contraste entre exposiciones." else
  paste0("Con el árbol como unidad experimental, las hojas de los árboles de sombra fueron ", fx(abs(bA$razon - 1) * 100, 0), " % ", ifelse(bA$razon > 1, "mayores", "menores"),
         " que las de sol en promedio geométrico (razón = ", fx(bA$razon, 2), "; IC 95 %: ", fx(bA$li, 2), "–", fx(bA$ls, 2), "; ", fpp(bA$p_welch), "). ", R$frase_h1)
R$txt_icc_d <- if (!is.null(R$icc)) paste0("Más informativo que el contraste es el reparto de la variación: el ", fx(100 * R$icc$icc, 0), " % de la variación del tamaño de las hojas está entre árboles (CCI = ", fx(R$icc$icc, 2), "), es decir, ",
  "el árbol es la fuente de variación dominante y la exposición, una de varias posibles causas de ella.") else ""
R$txt_pot_d <- if (!is.null(R$pot)) paste0("Con ", min(R$n_sol, R$n_som), " árboles por exposición, el diseño solo habría detectado razones de ≈ ", fx(R$pot$mde[R$pot$ns == max(2, min(R$n_sol, R$n_som))], 2), " o mayores con 80 % de potencia.") else ""
```

`r R$txt_disc1` `r R$txt_icc_d` `r R$txt_pot_d` Conviene leer estos números con las cautelas que recomienda la literatura estadística: un intervalo de confianza que incluye la ausencia de efecto describe **imprecisión**, no demuestra que no haya efecto, y la diferencia entre un resultado «significativo» y otro «no significativo» no es en sí misma significativa.`r cite("gelman2006", "wasserstein2016", "amrhein2019")` Por eso este informe prioriza las estimaciones con sus intervalos y la coherencia entre análisis sobre el valor de *p* de una sola prueba.

## Contraste con la literatura

La `r fref("literatura")` confronta las predicciones de ambas hipótesis con lo observado. H1 se apoya en que una mayor radiación aporta más energía a la fotosíntesis y en que, a escala global, las hojas grandes predominan en ambientes cálidos, húmedos y soleados.`r cite("wright2017")` H2 se apoya en la compensación en sombra: con poca luz las plantas despliegan rasgos que optimizan la captura de luz y modifican la masa por área y la asignación de superficie foliar.`r cite("poorter2009", "poorter2019")` A favor de H2 también actúa la limitación térmica e hídrica a pleno sol: una lámina mayor engrosa la capa límite y dificulta disipar calor y agua.`r cite("parkhurst1972", "michaletz2015")` Cuál domina depende del balance entre luz, temperatura y agua en cada micrositio, y por eso la dirección del efecto sobre el área de una hoja debe contrastarse caso por caso. Además, el área de una hoja no es una medida de producción: no se midieron fotosíntesis ni biomasa, y el aprovechamiento de la luz depende de cómo se organiza todo el follaje.

```{r fig_literatura, fig.height=7.4, fig.cap=fcap("literatura", "Predicciones de la literatura frente a lo observado", "**a**, Rutas causales que plantea la teoría para el área de una hoja individual; los números entre corchetes remiten a las referencias. **b**, Razón sombra/sol observada con tres bases de datos (barras: IC 95 %). La zona ocre es la región predicha por H1 (hojas mayores a pleno sol); la zona azul, la de H2 (hojas mayores en sombra).")}
ref_a <- paste0("[", cn("wright2017"), "]")
ref_b <- paste0("[", cn("poorter2009", "poorter2019", "valladares2008", "givnish1988"), "]")
ref_c <- paste0("[", cn("parkhurst1972", "michaletz2015"), "]")
capa2 <- c(
  caja(12, 59, 24, 12, "Alta irradiancia\n(pleno sol)", fill = adjustcolor(COL["sol"], .3), face = "bold", size = 2.6),
  caja(50, 59, 36, 13, "Más energía para la fotosíntesis;\nhojas grandes en ambientes\ncálidos, húmedos y soleados", size = 2.6),
  caja(86, 59, 28, 12, "H1: lámina mayor\na pleno sol", fill = adjustcolor(COL["sol"], .15), size = 2.6, face = "bold"),
  caja(12, 38, 24, 12, "Baja irradiancia\n(sombra)", fill = adjustcolor(COL["sombra"], .3), face = "bold", size = 2.6),
  caja(50, 38, 36, 13, "Compensación morfológica:\nmás superficie para captar luz,\nmenor masa por unidad de área", size = 2.6),
  caja(86, 38, 28, 12, "H2: lámina mayor\nen sombra", fill = adjustcolor(COL["sombra"], .15), size = 2.6, face = "bold"),
  caja(12, 17, 24, 12, "Calor excesivo o\nfalta de agua (sol)", fill = adjustcolor(COL["sol"], .3), face = "bold", size = 2.6),
  caja(50, 17, 36, 13, "Capa límite más gruesa;\nmás pérdida de agua\ny dificultad para disipar calor", size = 2.6),
  caja(86, 17, 28, 12, "Limitación: lámina\nmenor a pleno sol", fill = adjustcolor(COL["sol"], .15), size = 2.6, face = "bold"),
  list(flecha(24.4, 59, 31.6, 59), flecha(68.4, 59, 71.6, 59), flecha(24.4, 38, 31.6, 38), flecha(68.4, 38, 71.6, 38), flecha(24.4, 17, 31.6, 17), flecha(68.4, 17, 71.6, 17),
       annotate("text", x = 50, y = 50, label = ref_a, size = 2.8, colour = "grey30"), annotate("text", x = 50, y = 29, label = ref_b, size = 2.8, colour = "grey30"),
       annotate("text", x = 50, y = 8.5, label = ref_c, size = 2.8, colour = "grey30")),
  caja(50, 1, 96, 7, paste0("Observado (A): razón sombra/sol = ", fx(bA$razon, 2), " [", fx(bA$li, 2), "–", fx(bA$ls, 2), "]\n→ ", R$conc_A), fill = "#f1f3f4", face = "bold", size = 2.7))
pa <- ggplot() + capa2 + coord_cartesian(xlim = c(0, 100), ylim = c(-3, 66), clip = "off") + theme_void()
pb <- ggplot() + theme_void()
fb <- fr[fr$tipo == "correcto" & grepl("^(A · Welch|B ·|C ·)", as.character(fr$label)), ]
if (nrow(fb) > 0) {
  xl <- range(c(fb$lo, fb$hi, 0.5, 2), na.rm = TRUE)
  pb <- ggplot(fb, aes(est, label)) +
    annotate("rect", xmin = 1e-3, xmax = 1, ymin = -Inf, ymax = Inf, fill = COL["sol"], alpha = .14) +
    annotate("rect", xmin = 1, xmax = 1e3, ymin = -Inf, ymax = Inf, fill = COL["sombra"], alpha = .10) +
    geom_vline(xintercept = 1, linetype = 2, colour = "grey40") +
    geom_segment(aes(x = lo, xend = hi, yend = label), linewidth = 1, na.rm = TRUE) + geom_point(size = 3.6, shape = 21, fill = "white", stroke = 1.1) +
    annotate("text", x = exp(mean(log(c(xl[1], 1)))), y = nrow(fb) + .45, label = "Región de H1 (sol > sombra)", size = 3, colour = "#a06a00") +
    annotate("text", x = exp(mean(log(c(1, xl[2])))), y = nrow(fb) + .45, label = "Región de H2 (sombra > sol)", size = 3, colour = "#005a8c") +
    scale_x_log10(breaks = c(.25, .5, 1, 2, 4, 8)) + coord_cartesian(xlim = xl, ylim = c(.5, nrow(fb) + .8)) + labs(x = "Razón de áreas sombra/sol (escala log)", y = NULL)
}
pa / pb + plot_layout(heights = c(1.45, 1)) + plot_annotation(tag_levels = "a")
```

```{r tab_lit, results='asis'}
tl <- data.frame(
  Predicción = c("Más radiación y agua suficiente favorecen láminas mayores a pleno sol (H1)", "En sombra, la compensación morfológica favorece láminas mayores (H2)", "El calor excesivo y el déficit hídrico limitan el tamaño a pleno sol", "La luz modifica la masa por área y la asignación foliar", "La variación entre individuos es grande y no puede ignorarse al replicar"),
  Fuentes = c(paste0("Ref. ", cn("wright2017")), paste0("Refs. ", cn("valladares2008", "givnish1988", "poorter2019")), paste0("Refs. ", cn("parkhurst1972", "michaletz2015")), paste0("Refs. ", cn("poorter2009", "poorter2019")), paste0("Ref. ", cn("hurlbert1984"))),
  `Este estudio` = c(paste0("razón ", fx(bA$razon, 2), " (", fx(bA$li, 2), "–", fx(bA$ls, 2), ")"), paste0("razón ", fx(bA$razon, 2), " (", fx(bA$li, 2), "–", fx(bA$ls, 2), ")"),
                     "no separable: no se midieron temperatura ni estado hídrico", "no medida (solo área de la lámina)", if (!is.null(R$icc)) paste0("CCI = ", fx(R$icc$icc, 2)) else "n/d"),
  Valoración = c(R$val_h1, R$val_alt, "no evaluable con estos datos", "no evaluable con estos datos",
                 if (!is.null(R$icc)) ifelse(R$icc$icc > 0.3, "consistente: la varianza entre árboles es sustancial", "no evidente en estos datos") else "n/d"),
  check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("lit", "Predicciones derivadas de la literatura y su contraste con los datos", "«No evaluable» significa que la variable que distingue la hipótesis no se registró."))
tabla(tl, align = "llll")
```

## Qué es un resultado y qué es una hipótesis

Siguiendo la distinción que pide la guía, con unos pocos árboles conviene separar lo que los datos establecen de lo que solo sugieren:

-   **Resultados** (descriptivos, bien sustentados): la distribución del área por árbol (`r tref("desc")`); la regularidad del cociente área/marco y su utilidad como control de calidad (`r R$txt_proxy`); y la magnitud de la variación entre árboles frente a la variación entre hojas.
-   **Hipótesis** (requieren más árboles): que la exposición cambie el área foliar de *`r R$especie`* y en qué sentido. `r R$frase_h1` Esta lectura es válida únicamente para los `r R$n_arb_inf` árboles analizados.
-   **No evaluable aquí**: los mecanismos (luz, temperatura, agua, suelo pavimentado), porque no se midieron; se requeriría registrar irradiancia, temperatura foliar o del aire, humedad del suelo y masa por área.

## Limitaciones

-   **Pocos árboles.** La réplica verdadera es el árbol y hay `r R$n_sol` de sol y `r R$n_som` de sombra con datos; los grados de libertad del contraste son los de los árboles y la potencia es baja (véase *Potencia y tamaño de muestra*).
-   **Árboles influyentes y confusión espacial.** `r if (isTRUE(R$jk_cruza)) "Al omitir un árbol la conclusión cambia de signo; " else ""`la exposición y la posición en el bosque urbano no están cruzadas, de modo que no se pueden separar sus efectos.
-   **Exposición categórica.** «Sol» y «sombra» son clases definidas visualmente (luz directa la mayor parte del día frente a cobertura de otras copas o luz filtrada), no medidas de irradiancia; el sombreado varía a lo largo del día y del año, y la sombra por «luz filtrada» es heterogénea.
-   **Áreas pendientes.** Hay `r R$n_falta` áreas pendientes (`r fx(R$pct_falta, 1)` %). Completarlas con el modelo del marco es un artificio útil para evaluar la sensibilidad, pero no sustituye la medición, y el análisis con el marco no es una confirmación independiente porque el marco se dibuja a partir del contorno de la propia hoja.
-   **Elección de los árboles.** El único criterio de selección fue que estuvieran desarrollados y sin daño ni enfermedad aparente; no se igualaron edad, tamaño ni morfotipo, de modo que parte de la diferencia atribuida a la exposición puede reflejar esas diferencias entre individuos.
-   **Una sola especie, un solo sitio y una sola fecha** (`r if ("fecha" %in% names(crudo)) "registrada" else "no registrada en la base"`): los resultados no se extrapolan a otras especies ni a otras épocas.
-   **Medición.** La detección del marco y de la figura en la fotografía, y el dibujo del marco con regla, introducen error de medida; el error residual del modelo del marco (≈ `r fx(100 * R$px_sigma, 1)` %) es una cota inferior del error de predicción, no del error del área.

# Métodos

**Sitio y especie.** El estudio se realizó en el Bosque Urbano Multicentro, ubicado en el área forestal protectora del río Meléndez, comuna 22, Cali (Valle del Cauca, Colombia), a `r fx(R$altitud[1], 0)` m s. n. m. (altitud registrada en la base). La especie estudiada fue *`r R$especie`*.

**Selección de árboles.** Dentro del bosque urbano se identificaron zonas abiertas y zonas de alta densidad arbórea. Se consideraron árboles de **sol** los que reciben luz directa la mayor parte del día y no están cubiertos por otras copas ni por edificaciones, y árboles de **sombra** los que crecen bajo la cobertura de otros árboles o en zonas con luz filtrada. Se seleccionaron `r R$n_arb` árboles, `r R$n_sol_tot` de sol y `r R$n_som_tot` de sombra, para obtener un diseño balanceado; el único criterio de selección fue que estuvieran desarrollados y sin daño ni enfermedad aparente. De cada árbol se registraron las coordenadas y se tomó una fotografía de referencia que documenta su estado, su entorno y su grado de exposición solar.

**Selección de hojas.** En cada árbol se muestrearon `r R$hojas_x_arbol[2]` hojas (`r R$n_filas` en total), distribuidas por toda la copa y a diferentes distancias.

**Medición del área foliar.** Alrededor del contorno de cada hoja se dibujó con regla un marco rectangular y se midieron sus dos lados en milímetros. Se fotografió la hoja con su marco y un script en R usó el tamaño del marco en cada fotografía como escala para convertir píxeles a cm² y calcular así el área de la hoja. El **área del marco** se calculó como lado 1 × lado 2 (mm²) / 100 (cm²).

**Procesamiento y control de calidad.** Los datos se leyeron como texto y se convirtieron a tipos numéricos con reglas explícitas: eliminación de espacios, coma o punto decimal, reconstrucción de coordenadas escritas con separador de miles, normalización de la exposición y de los identificadores. Un área mayor que su marco es físicamente imposible; si dividida entre 100 resultaba plausible (cociente entre 0,2 y 1) se interpretó como error de unidad y se corrigió; en otro caso se excluyó. Las áreas en blanco no se imputan en el análisis primario. La base analítica primaria (**A**) contiene las hojas con área medida válida de los árboles con al menos `r params$min_hojas_arbol` hojas medidas.

**Estadística descriptiva y transformación.** Por árbol se calcularon *n*, media, mediana, DE, CV, error estándar, IC 95 % (*t*), mínimo, máximo y media geométrica. La inferencia se hizo sobre el logaritmo natural del área (ln), porque el tamaño es multiplicativo y la dispersión crece con la media; las diferencias en ln se reportan como razones de medias geométricas. En el resto del informe los resultados se expresan en la escala original (razones de tamaño) y se omite la mención al logaritmo.

**Unidad de análisis y contraste sol–sombra.** Para cada árbol se calculó el promedio de ln(área) y esos promedios se compararon entre exposiciones con la prueba *t* de Welch,`r cite("welch1947")` la prueba de Wilcoxon exacta,`r cite("wilcoxon1945")` una prueba de permutación exacta (diferencia de medias de árbol bajo todos los repartos de las etiquetas) y un bootstrap jerárquico de dos etapas (`r params$B_boot` réplicas: remuestreo de árboles dentro de cada exposición y de hojas dentro de cada árbol).`r cite("efron1979")` Se calculó la *g* de Hedges con IC aproximado.`r cite("hedges1981")` El efecto de diseño se estimó como 1 + (*m̄* − 1)·CCI.

**Modelos.** Se ajustó el modelo mixto ln(*A*) \~ exposición + (1 \| árbol) por REML con `lme4` y `lmerTest` (gl de Satterthwaite), con R² marginal y condicional (Nakagawa y Schielzeth), y el ANOVA anidado con la exposición contrastada contra el cuadrado medio de árbol. El CCI se estimó por ANOVA de un factor con IC de McGraw y Wong, usando el tamaño medio ponderado *n*<sub>0</sub>. Los supuestos se revisaron con gráficos de residuos y con las pruebas de Shapiro–Wilk y Fligner–Killeen; como alternativas robustas se usaron el ANOVA de Welch y Kruskal–Wallis. Las comparaciones por pares entre árboles usaron Tukey HSD y, como contraste, Welch con ajuste de Holm.

**Valores atípicos.** Regla de Tukey por árbol (1,5·RIC), *z* robusto con la MAD (umbral 3,5), residuos studentizados (\|*t*\| \> 3) y distancia de Cook (4/*N*). Las hojas sin causa de medición se conservan y se evalúa la sensibilidad del resultado a distintos resúmenes del árbol (media, mediana, media recortada, media sin atípicos).

**Análisis de sensibilidad.** (**B**) El contraste se repitió con ln(área del marco) de todas las hojas. (**C**) Las áreas pendientes se estimaron con la regresión ln(área) \~ ln(marco) ajustada a las hojas medidas (con corrección de retransformación) y se repitió el contraste; su incertidumbre se propagó con `r params$M_imp` simulaciones que añaden el error residual y el de estimación del modelo. También se omitió un árbol a la vez (jackknife por árbol).

**Potencia.** Se calculó la razón mínima detectable (80 % de potencia, α = 0,05, prueba *t* de dos muestras) con la desviación estándar entre árboles observada dentro de cada exposición y su IC por χ².

**Software y reproducibilidad.** Todo el análisis se ejecuta desde este documento con `r R.version.string`; los gráficos usan `ggplot2`,`r cite("wickham2016")` con paleta de Okabe–Ito apta para daltonismo, y `patchwork`. Semilla aleatoria: `r params$semilla`. Paquetes: ggplot2 `r as.character(packageVersion("ggplot2"))`, patchwork `r as.character(packageVersion("patchwork"))`, lme4 `r if (HAS_LMER) as.character(packageVersion("lme4")) else "no disponible"`, lmerTest `r if (HAS_LMER) as.character(packageVersion("lmerTest")) else "no disponible"`.`r cite("rcore")` Si se modifica el archivo de datos, basta volver a compilar el documento.

**Disponibilidad de datos y de código.** Los datos analizados son los de `r R$archivo`. Cambiando el parámetro `guardar_limpios` a `TRUE` se escribe la base depurada (`datos_limpios_area_foliar.csv`).

# Referencias {.unnumbered}

```{r lista_refs, results='asis', echo=FALSE}
cat('<ol class="refs">\n')
for (k in .cit$orden) {
  r <- REF[[k]]
  enlace <- if (!is.na(r$doi)) paste0(' <a href="https://doi.org/', r$doi, '">https://doi.org/', r$doi, '</a>') else if (!is.na(r$url)) paste0(' <a href="', r$url, '">', r$url, '</a>') else ""
  cat('<li>', r$texto, enlace, '</li>\n', sep = "")
}
cat('</ol>\n')
```

# Información suplementaria {.unnumbered}

## Cumplimiento del protocolo de la guía {.unnumbered}

```{r tab_protocolo, results='asis'}
ok <- function(x) ifelse(x, "✔ cumple", "✘ no cumple")
n_hoja_arb <- table(datos$arbol)
tpr <- data.frame(
  Requisito = c("Al menos 2 árboles a pleno sol y 2 a la sombra", "10 hojas por árbol", "5 árboles por grupo", "Área medida en todas las hojas", "ID con formato G#_T# (p. ej. G3_T2)",
                "Columnas de la plantilla (grupo, id_arbol, fecha, observaciones)", "Coordenadas en grados decimales con un mismo separador", "Ningún árbol medido dos veces"),
  Estado = c(ok(min(R$n_sol_tot, R$n_som_tot) >= 2), ok(all(n_hoja_arb == 10)), ok(R$n_arb == 5), ok(R$n_falta == 0), ok(all(grepl("^G[0-9]+_T[0-9]+$", datos$arbol_raw))),
             ok(length(R$cols_plantilla_faltan) == 0), ok(R$n_coord_miles == 0), ok(nrow(R$dup_arbol) == 0)),
  Observación = c(paste0(R$n_sol_tot, " sol / ", R$n_som_tot, " sombra"), paste0(R$hojas_x_arbol[1], "–", R$hojas_x_arbol[2], " hojas"), paste0(R$n_arb, " árboles"),
                  paste0(R$n_falta, " pendientes"), "los identificadores son T1…T", paste0("faltan: ", ifelse(length(R$cols_plantilla_faltan), paste(R$cols_plantilla_faltan, collapse = ", "), "—")),
                  paste0(R$n_coord_miles, " filas con separador de miles (reconstruidas)"), paste0(nrow(R$dup_arbol), " pares a menos de ", params$dist_duplicado_m, " m")), stringsAsFactors = FALSE)
tpr$Observación[5] <- paste0("los identificadores son ", paste(head(sort(unique(datos$arbol)), 3), collapse = ", "), "…")
cat(tcap("protocolo", "Cumplimiento de los requisitos de la guía de campo", "Las desviaciones se declaran; no impiden el análisis, pero condicionan su interpretación."))
tabla(tpr, align = "lcl")
```

## Base de datos hoja a hoja {.unnumbered}

```{r tab_datos, results='asis'}
td2 <- data.frame(Archivo = datos$archivo, Árbol = datos$arbol, Exposición = as.character(datos$exposicion), `Lado 1 (mm)` = fx(datos$lado1, 0), `Lado 2 (mm)` = fx(datos$lado2, 0),
                  `Marco (cm²)` = fx(datos$marco_cm2, 1), `Área registrada (cm²)` = fx(datos$area_orig, 2), Estado = datos$estado, `Área usada (cm²)` = fx(datos$area_f, 2),
                  Origen = ifelse(is.na(datos$origen), "—", datos$origen), check.names = FALSE, stringsAsFactors = FALSE)
cat(tcap("datos", "Base de datos depurada (una fila por hoja)", "«Área usada» es la medida o, si estaba pendiente, la estimada con el modelo del marco (solo para el análisis de sensibilidad C)."))
cat('<div style="max-height:430px;overflow:auto">\n'); tabla(td2, align = "llcrrrrlrl"); cat('</div>\n')
```

## Verificación de los DOI con Crossref {.unnumbered}

```{r tab_doi, results='asis'}
norm_t <- function(s) { s <- tolower(iconv(s, to = "ASCII//TRANSLIT")); s <- gsub("[^a-z0-9 ]", " ", s); w <- unique(strsplit(trimws(gsub(" +", " ", s)), " ")[[1]]); w[nchar(w) > 0] }
jacc <- function(a, b) length(intersect(a, b)) / length(union(a, b))
.doi_env <- new.env(); .doi_env$off <- FALSE
verif <- function(k, i) {
  r <- REF[[k]]; base <- data.frame(N = i, Referencia = k, DOI = ifelse(is.na(r$doi), "—", r$doi), stringsAsFactors = FALSE)
  if (is.na(r$doi)) { base$Estado <- "sin DOI (se enlaza a la URL)"; return(base) }
  if (!isTRUE(params$verificar_doi) || !HAS_JSON) { base$Estado <- "verificación desactivada"; return(base) }
  if (.doi_env$off) { base$Estado <- "no se pudo consultar (sin conexión)"; return(base) }
  res <- tryCatch(jsonlite::fromJSON(paste0("https://api.crossref.org/works/", r$doi)), error = function(e) NULL)
  if (is.null(res)) .doi_env$off <- TRUE
  if (is.null(res)) { base$Estado <- "no se pudo consultar (sin conexión o DOI no resuelto)"; return(base) }
  tt <- res$message$title[1]
  an <- tryCatch(as.integer(res$message$issued$`date-parts`[1, 1]), error = function(e) NA_integer_)
  sim <- jacc(norm_t(tt), norm_t(r$tit))
  base$Estado <- ifelse(sim >= 0.6 && (is.na(an) || abs(an - r$anio) <= 1), "✔ coincide con Crossref", "✘ revisar")
  base
}
vt <- do.call(rbind, lapply(seq_along(.cit$orden), function(i) verif(.cit$orden[i], i)))
cat(tcap("doi", "Verificación automática de los DOI citados", "Se consulta la API de Crossref y se compara el título y el año; requiere conexión a internet al compilar."))
tabla(vt, align = "rllll")
```

```{r sesion, echo=TRUE}
sessionInfo()
```


Plasticidad del área foliar de Bauhinia picta frente a la exposición lumínica en un bosque urbano de Cali

Un estudio observacional jerárquico con el árbol como unidad experimental

Juan Manuel Cordoba Castillo (2520820) Valentina Noguera Velasquez (2521094) — Grupo 1 - Facultad de Ciencias Naturales y Exactas, Universidad del Valle

05/11/2026