1 amorach22@gmail.com, 2 isg_0933@hotmail.com, 3 keytlin92@hotmail.com, 4 majocascante2@gmail.com, 5 m-nela9307@hotmail, 6 sofiacuberomoreno@gmail.com.

Estudiantes de Biología y Bioprocesos Industriales, Universidad Nacional Costa Rica.

Resumen.

El objetivo del proyecto es determinar si existe una diferencia estadísticamente significativa entre la granulometría de las distintos transeptos de muestreo en la playa Violeta. La población utilizada fue de 65 muestras (N=65). El muestreo consistió en 5 transeptos siendo el transepto número uno el más cercano a la línea del mar. Cada transepto constaba de 11 muestras tomadas a una profundidad de 20 cm, y en el punto 5 de cada transepto se tomaron dos muestras extra a profundidades de 40 y 60 cm. Las muestras fueron analizadas manualmente, atraves de tamices con grosor de malla de 1200 µm, 850 µm, 425 µm, 250 µm. Los datos se procesaron utilizando el software estadístico R Studio. Se utilizaron los análisis de ANOVA, respaldado en base al análisis en la teoría de Kruskall-Wallis, se realizó un análisis post-hoc basado en la formula o cálculo de Wilcox para determinar el índice de relación entre las diferentes variables. Se concluye que efectivamente existe una diferencia significativa en la granulometría entre los diferentes transeptos de la zona intermareal.

Palabras clave: granulometría, transepto, tamices, zona intermareal.

Introducción

La granulometría es la medición del tamaño de los granos de una forma sedimentaria y el cálculo de la abundancia de cada una de las medidas correspondientes, ya que determinan la porosidad y capilaridad del medio, permitiendo, entre otras características una mayor o menor humedad. (Mendéz , Sous-Weiss, & Carranza, 1985).Esta proporciona aspectos esenciales de la procedencia del sedimento ya que juega un rol fundamental en el transporte y deposición de material granular. (Román -Sierra,2013). La tamización es la técnica más ampliamente usada para clasificar partículas se lleva a cabo utilizando tamices en orden decreciente. La cantidad de suelo retenido indica el tamaño de la muestra, obteniendo una clasificación comprensible del material dependiendo del grano y la textura, ofreciendo así un análisis estadístico del tamaño de grano (Gabriels,2011).Los estudios de análisis granulométricos y otros estudios relacionados, permiten conocer la dinámica de la erosión costera y por lo tanto su efecto directo sobre distintos organismos que habitan y anidan en la región. Así mismo, distintos parámetros en la playa tales como las pendientes , generan una gran influencia sobre la selectividad de hábitat de anidación para habitar en estas zonas, el tamaño del grano afecta la permeabilidad, la facilidad con que el agua y las sustancias disueltas pueden moverse a través de los sedimentos, así como el espacio entre sitios, que sean lo suficientemente grandes para soportar a los organismos. Por lo que este estudio sirve como una variable predictora para las comunidades animales que viven en la playa. ( KAJAK et al., 1988), de la misma manera se pueden realizar otros estudios. Este trabajo tiene como objetivo general evaluar el cambio en la granulometría en la Playa Violeta en el periodo 2016, y los objetivos específicos son; comparar la variación de la granulometría entre los niveles de la zona intermareal, relacionar los niveles de profundidad en la misma zona intermareal, contrastar los niveles de la zona intermareal dependiendo de la profundidad a la que fue muestreada.

Materiales y métodos

Lugar de estudio.

El área de estudio se localizó en la provincia de Limón, en el cantón de Talamanca, en el distrito de Cahuita cerca del Parque Nacional Cahuita específicamente en playa Violeta, ya que es una playa poco conocida y no se encuentra tan explotada.

Recolección de datos

En la playa Violeta se establecieron cinco transeptos, en cada transepto se colectaron once muestras de arena en diferentes puntos (p) a 20 cm de profundidad cada una, en el punto cinco se tomaron tres muestras a diferentes profundidades, a 20 cm que es la misma profundidad de los demás puntos, 40 cm y 60cm, esta recolección de muestras se hicieron en el tercer trimestre del año 2016 en el mes de octubre específicamente.

Secado y tamizado.

En el método de tamizado se mide la habilidad del diámetro de la partícula para pasar a través de un orificio de un perfil determinado. Es un método ventajoso porque emplea un equipo de un costo relativamente muy bajo y la medida se hace de una forma directa sin necesidad de una preparación tediosa antes de tamizar, el tamaño de la muestra debe ser grande para que el resultado sea representativo, las desventajas serian físicas como que se cierren los orificios o se deformen las mallas de los tamices. Este método además de separar los granos por tamaño, los separa por forma ya que la esfericidad de la partícula influye en determinar si pasa o no por la malla establecida. (Komar et al., 1984).
El procedimiento empleado consistió en secar las muestras provenientes de la playa violeta en un horno a 60° durante dos días, Posteriormente se tomaron las muestras ya secas de cada punto del trayecto establecido y se pesaron, estas muestras se tamizaron con cuatro tamices, cada uno con una medida respectiva de 2000 micrómetros, 850 micrómetros, 425 micrómetros y 250 micrómetros. Cada muestra es pasada por cada uno y una vez que pasan las partículas más finas de la arena se procede a pesar lo que queda suspendido en cada uno, obteniendo así cuatro pesos distintos para cada muestra y un respectivo peso final. Este instrumento permite analizar las partículas desde tamaños muy grandes a tamaños pequeños. Los resultados obtenidos por este método se analizaron estadísticamente y se representaron gráficamente. Los resultados obtenidos se representaron con gráficos y se analizaron estadísticamente con el software libre de R.

Resultados

Comparación de la granulometría entre las distintas zonas intermareales.

Comparación por tamiz 1 (1200µm)
library(readxl)

base_sin_profundidades <- read_excel("ordenar/proyecto/base sin profundidades.xlsx",      col_types = c("text", "numeric", "numeric",         "numeric", "numeric", "numeric",         "numeric"))

peso_del_grano1<-(base_sin_profundidades$t1)
peso_del_grano1
##  [1]   0.4   2.5  11.4   2.4   0.0   1.1   5.6   2.9   6.7  20.2  11.2
## [12]   4.0   0.8   0.2   1.2   0.3   1.2   0.4   1.4   1.8   1.1   1.0
## [23]   2.6   0.0   0.3   3.0   2.9   4.6  44.8   1.9   1.8   4.5   1.1
## [34]  17.6   9.1  11.2 123.0  34.6  63.2  12.7  25.0  14.3  18.6 197.4
## [45]   1.6   9.4   4.1   0.8   2.8  22.5   3.3   2.2   1.4   3.8   1.5
zonas_intermareales<-gl(5,11,label=c("zona1","zona2","zona3","zona4","zona5"))
zonas_intermareales
##  [1] zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1
## [12] zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2
## [23] zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3
## [34] zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4
## [45] zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5
## Levels: zona1 zona2 zona3 zona4 zona5
is.factor(zonas_intermareales)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos por la cantidad de muestra retenida en el primer tamizaje se tiene que:

annova1<-aov(peso_del_grano1~zonas_intermareales)
summary(annova1)
##                     Df Sum Sq Mean Sq F value  Pr(>F)   
## zonas_intermareales  4  16719    4180   5.445 0.00102 **
## Residuals           50  38382     768                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
shapiro.test(annova1$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova1$residuals
## W = 0.58759, p-value = 3.504e-11
kruskal.test(peso_del_grano1~zonas_intermareales)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_del_grano1 by zonas_intermareales
## Kruskal-Wallis chi-squared = 26.958, df = 4, p-value = 2.027e-05

H0= no existe variación entre la granulometría de las distantas zonas intermareales, comparandolas por el primer tamizado.

H1= existe una variación entre la granulometría de las distantas zonas intermareales, comparandolas por el primer tamizado.

Después de analizar las muestras a través del tamiz 1, se extrajo la media y desviación estándar a cada transepto, fué mayor en la zona 4 (47.88 ± 59.94, n=11), seguido de la zona 3(6.14 ± 12,91, n=11), zona 1 (5.85 ± 6.20, n=11), zona 5 (4.85 ± 6.31,n=11) y zona 2(1.22 ± 1.04, n=11). El resultado obtenido del Anova refleja diferencias estadísticamente significativas (F=5.44; gl=4,50; p<0.001). Así mismo se realizó una comparación no planeada con Bonferroni y se encontraron diferencias significativas entre zona1-zona4 (p<0.009), zona2-zona4 (p<8e-04), zona3-zona4 (p<0.002), zona4-zona5 (p<0.001), pero no entre zona1-zona2 (p<0.355), zona1-zona3 (p<1.000), zona1-zona5 (p<1.000), zona2-zona3 (p<0.610), zona2-zona3(p<0.058), zona3-zona5(p<1.00). (Ver Figura 1).

vector1<-data.frame(peso_del_grano1,zonas_intermareales)
vector1
library(ggplot2)
vector_1<-ggplot(vector1,aes(x=as.factor(zonas_intermareales),y=peso_del_grano1,colour=(zonas_intermareales)))+geom_boxplot()
vector_1+theme_bw()->vector_1
vector_1+xlab("Zonas intermareales")+ylab("Peso (g)")->vector_1
vector_1+ggtitle("Figura1.Comparacion por tamiz 1 de las distintas zonas intermareales")->vector_1
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vector_1+scale_colour_manual(values=micolor)->vector_1
vector_1

Se realiza un análisis post-hoc basado en el calculo de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_del_grano1,zonas_intermareales,data=base_sin_profundidades,p.adjust.method="b")
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_del_grano1 and zonas_intermareales 
## 
##       zona1   zona2   zona3   zona4  
## zona2 0.35460 -       -       -      
## zona3 1.00000 0.60990 -       -      
## zona4 0.00910 0.00081 0.00190 -      
## zona5 1.00000 0.05775 1.00000 0.00128
## 
## P value adjustment method: bonferroni
Comparación por tamiz 2 (850 µm)
peso_del_grano2<-(base_sin_profundidades$t2)
peso_del_grano2
##  [1]   0.0  15.1   1.8   2.3   2.6   3.1   6.5   7.0  17.5   8.0  13.7
## [12]   4.3   2.6   1.4   2.7   0.6   5.8   3.9   3.2   1.7   0.8   1.2
## [23]   0.7   0.0   0.0   3.0   6.0   1.9  25.7   1.5   0.8   3.4   0.6
## [34]  43.0 174.0  61.9 200.2  71.0   9.5  14.2  36.2  43.8 168.4 231.3
## [45]  22.6  15.9  16.2  39.6  17.0   6.6  16.9  58.9   5.1  59.7  39.9
zonas_intermareales<-gl(5,11,label=c("zona1","zona2","zona3","zona4","zona5"))
zonas_intermareales
##  [1] zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1
## [12] zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2
## [23] zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3
## [34] zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4
## [45] zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5
## Levels: zona1 zona2 zona3 zona4 zona5
is.factor(zonas_intermareales)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos por la cantidad de muestra retenida en el segundo tamizaje se tiene que:

annova2<-aov(peso_del_grano2~zonas_intermareales)
summary(annova2)
##                     Df Sum Sq Mean Sq F value   Pr(>F)    
## zonas_intermareales  4  68804   17201   12.24 5.17e-07 ***
## Residuals           50  70262    1405                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
shapiro.test(annova2$residuals) 
## 
##  Shapiro-Wilk normality test
## 
## data:  annova2$residuals
## W = 0.79367, p-value = 2.386e-07
kruskal.test(peso_del_grano2~zonas_intermareales)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_del_grano2 by zonas_intermareales
## Kruskal-Wallis chi-squared = 36.216, df = 4, p-value = 2.612e-07

H0= no existe variación entre la granulometría de las distantas zonas intermareales, comparandolas por el segundo tamizado.

H1= existe una variación entre la granulometría de las distantas zonas intermareales, comparandolas por el segundo tamizado.

Después de analizar las muestras a través del tamiz 2, se extrajo la media y desviación estándar a cada transepto, fué mayor en la zona 4 (95.77 ± 80.96, n=11), seguido de la zona 5(27.12 ±19.41, n=11), zona 1 (7.05 ± 5.95, n=11), zona 3 (3.96 ± 7.42, n=11) y zona 2(2.56 ± 3.96, n=11). El resultado obtenido del Anova refleja diferencias estadísticamente significativas (F=12.24; gl=4,50; p<5.17e-07). Así mismo se realizó una comparación no planeada con Bonferroni y se encontraron diferencias significativas entre zona1-zona4 (p<0.5 e-03), zona1-zona5 (p<0.018), zona2-zona4 (p<2.8e-05), zona2-zona5 (p<5.7 e-05), zona3-zona4 (p<0.001), zona3-zona5 (p<0.006), pero no entre zona1-zona2 (p<0.708), zona1-zona3 (p<0.656), zona2-zona3 (p<1.000), zona4-zona5(p<0.233). (Ver Figura 2)

vector2<-data.frame(peso_del_grano2,zonas_intermareales)
vector2
library(ggplot2)
vector_2<-ggplot(vector2,aes(x=as.factor(zonas_intermareales),y=peso_del_grano2,colour=(zonas_intermareales)))+geom_boxplot()
vector_2+theme_bw()->vector_2
vector_2+xlab("Zonas intermareles")+ylab("Peso (g)")->vector_2
vector_2+ggtitle("Figura2.Comparacion por tamiz 2 de las distintas zonas intermareales")->vector_2
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vector_2+scale_colour_manual(values=micolor)->vector_2
vector_2

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_del_grano2,zonas_intermareales,data=base_sin_profundidades,p.adjust.method="b")
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_del_grano2 and zonas_intermareales 
## 
##       zona1   zona2   zona3   zona4  
## zona2 0.70872 -       -       -      
## zona3 0.65666 1.00000 -       -      
## zona4 0.00054 2.8e-05 0.00139 -      
## zona5 0.01860 5.7e-05 0.00637 0.23308
## 
## P value adjustment method: bonferroni
Comparación por tamiz 3 (425 µm)
peso_del_grano3<-(base_sin_profundidades$t3)
peso_del_grano3
##  [1]   3.3  20.4  30.0  43.8 366.9 133.5 135.1 110.7 193.2 145.0 165.9
## [12]  85.2  68.3  44.4  21.1   6.6 132.4  85.2 222.2  20.2 130.4  51.7
## [23]   1.1   1.3   0.2   3.2   3.6   2.2  11.3   6.8   3.9   8.8   1.3
## [34] 250.7 640.8 405.7 573.4 263.1  26.3  44.9 173.1 247.5 541.7 260.8
## [45] 284.2 201.2 186.1 274.9 219.4 104.2 171.1 329.0 126.2 438.8 501.4
zonas_intermareales<-gl(5,11,label=c("zona1","zona2","zona3","zona4","zona5"))
zonas_intermareales
##  [1] zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1
## [12] zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2
## [23] zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3
## [34] zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4
## [45] zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5
## Levels: zona1 zona2 zona3 zona4 zona5
is.factor(zonas_intermareales)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos por la cantidad de muestra retenida en el tercer tamizaje se tiene que:

annova3<-aov(peso_del_grano3~zonas_intermareales)
summary(annova3)
##                     Df Sum Sq Mean Sq F value  Pr(>F)    
## zonas_intermareales  4 712509  178127   12.25 5.1e-07 ***
## Residuals           50 726811   14536                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
shapiro.test(annova3$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova3$residuals
## W = 0.92105, p-value = 0.001465
kruskal.test(peso_del_grano2~zonas_intermareales)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_del_grano2 by zonas_intermareales
## Kruskal-Wallis chi-squared = 36.216, df = 4, p-value = 2.612e-07

H0= no existe variación entre la granulometría de las distantas zonas intermareales, comparandolas por el tercer tamizado.

H1= existe una variación entre la granulometría de las distantas zonas intermareales, comparandolas por el tercer tamizado.

Después de analizar las muestras a través del tamiz 3, se extrajo la media y desviación estándar a cada transepto, fue mayor en la zona 4 (311.63 ± 205.71, n=11), seguido de la zona 5(257.86 ±125.06 n=11), zona 1 (122.52 ± 103.40, n=11), zona 2 (78.88 ± 63.39, n=11) y zona3 (3.97 ± 3.54, n=11). El resultado obtenido del Anova refleja diferencias estadísticamente significativas (F=12.25; gl=4,50; p<5.1e-07). Así mismo se realizó una comparación no planeada con Bonferroni y se encontraron diferencias significativas entre zona1-zona3 (p<0.003), zona2-zona3 (p<0.001), zona2-zona4 (p<0.038), zona2-zona5 (p<0.010), zona3-zona4 (p<0.8 e-03), zona3-zona5 (p<0.8 e-03), pero no entre zona1-zona2 (p<1.000), zona1-zona4 (p<0.103), zona1-zona5 (p<0.103), zona4-zona5(p<1.000). (Ver Figura 3)

vector3<-data.frame(peso_del_grano3,zonas_intermareales)
vector3
library(ggplot2)
vector_3<-ggplot(vector3,aes(x=as.factor(zonas_intermareales),y=peso_del_grano3,colour=(zonas_intermareales)))+geom_boxplot()
vector_3+theme_bw()->vector_3
vector_3+xlab("Zonas intermareales")+ylab("Peso (g)")->vector_3
vector_3+ggtitle("Figura3.Comparacion por tamiz 3 de las distintas zonas intermareales")->vector_3
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vector_3+scale_colour_manual(values=micolor)->vector_3
vector_3

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_del_grano3,zonas_intermareales,data=base_sin_profundidades,p.adjust.method="b")
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_del_grano3 and zonas_intermareales 
## 
##       zona1   zona2   zona3   zona4  
## zona2 1.00000 -       -       -      
## zona3 0.00303 0.00180 -       -      
## zona4 0.10382 0.03851 0.00081 -      
## zona5 0.10382 0.01023 0.00081 1.00000
## 
## P value adjustment method: bonferroni
Comparación por tamiz 4 (250 µm)
peso_del_grano4<-(base_sin_profundidades$t4)
peso_del_grano4
##  [1]  386.6  749.1  477.0 1050.9  861.8 1125.4 1069.0 1180.2  717.6 1037.4
## [11] 1492.6 1184.2 1694.3 1534.6 1050.1  916.8 1147.4  924.1 1102.5 1372.3
## [21] 1246.2 1215.9   49.6  344.9  593.5   59.2   84.9  525.5  245.2   84.9
## [31]  478.9   51.5  667.2  299.9  326.2  344.4  373.2  244.7  189.6   78.6
## [41]  245.5  255.3  437.8  184.4  825.5  504.2  447.4  503.1  471.9 1226.5
## [51]  665.3  383.7  602.8  469.5  480.4
zonas_intermareales<-gl(5,11,label=c("zona1","zona2","zona3","zona4","zona5"))
zonas_intermareales
##  [1] zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1
## [12] zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2
## [23] zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3
## [34] zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4
## [45] zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5
## Levels: zona1 zona2 zona3 zona4 zona5
is.factor(zonas_intermareales)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos por la cantidad de muestra retenida en el cuarto tamizaje se tiene que:

annova4<-aov(peso_del_grano4~zonas_intermareales)
summary(annova4)
##                     Df  Sum Sq Mean Sq F value   Pr(>F)    
## zonas_intermareales  4 7389313 1847328   31.98 3.14e-13 ***
## Residuals           50 2888462   57769                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
shapiro.test(annova4$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova4$residuals
## W = 0.97526, p-value = 0.3132
kruskal.test(peso_del_grano4~zonas_intermareales)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_del_grano4 by zonas_intermareales
## Kruskal-Wallis chi-squared = 38.83, df = 4, p-value = 7.553e-08

H0= no existe variación entre la granulometría de las distantas zonas intermareales, comparandolas por el cuarto tamizado.

H1= existe una variación entre la granulometría de las distantas zonas intermareales, comparandolas por el cuarto tamizado.

Después de analizar las muestras a través del tamiz 4, se extrajo la media y desviación estándar a cada transepto, fué mayor en la zona 2 (1217.12 ± 240.09, n=11), seguido de la zona 1(922.50±323.28 n=11), zona 5 (598.20 ±241.65, n=11), zona 3 (289.57 ±241.37, n=11) y zona4 (270.87 ±100.13, n=11). El resultado obtenido del Anova refleja diferencias estadísticamente significativas (F=31.98; gl=4,50; p< 3.14e-13). Así mismo se realizó una comparación no planeada con Bonferroni y se encontraron diferencias significativas entre zona1-zona3 (p<0.006), zona1-zona4 (p<5.7e-05), zona2-zona3 (p<0.8 e-03), zona2-zona4 (p<2.8 e-05), zona2-zona5 (p<0.001), pero no entre zona1-zona2 (p<0.233), zona1-zona5(p<0.280), zona3-zona4 (p<1.000), zona3-zona5(p<0.301). (Ver Figura 4)

vector4<-data.frame(peso_del_grano4,zonas_intermareales)
vector4
library(ggplot2)
vector_4<-ggplot(vector4,aes(x=as.factor(zonas_intermareales),y=peso_del_grano4,colour=(zonas_intermareales)))+geom_boxplot()
vector_4+theme_bw()->vector_4
vector_4+xlab("Zonas intermareales")+ylab("Peso (g)")->vector_4
vector_4+ggtitle("Figura4.Comparacion por tamiz 4 de las distintas zonas intermareales")->vector_4
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vector_4+scale_colour_manual(values=micolor)->vector_4
vector_4

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_del_grano4,zonas_intermareales,data=base_sin_profundidades,p.adjust.method="b")
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_del_grano4 and zonas_intermareales 
## 
##       zona1   zona2   zona3   zona4  
## zona2 0.23308 -       -       -      
## zona3 0.00637 0.00081 -       -      
## zona4 5.7e-05 2.8e-05 1.00000 -      
## zona5 0.28065 0.00128 0.30192 5.7e-05
## 
## P value adjustment method: bonferroni
Comparación por tamiz 5 (peso final)
peso_del_grano5<-(base_sin_profundidades$pf)
peso_del_grano5
##  [1] 1247.3  808.8 1541.0  671.1  195.9  714.1  420.4  662.4  698.4  444.2
## [11]  798.7  487.6  363.6  607.2  581.2  388.8  389.5 1066.1  521.1  854.7
## [21]  388.9  633.4 1929.6 1700.0 1260.7 2189.8 1587.6 1336.5 1790.7 1981.9
## [31] 2004.9 2272.2 1393.8 1286.4  448.4  460.1  466.2  493.0 1592.2 1449.4
## [41] 1324.1 1330.9  528.5  943.1  272.9  499.2  583.0  518.4  402.1  452.3
## [51]  661.8  390.1  711.1  306.8  485.1
zonas_intermareales<-gl(5,11,label=c("zona1","zona2","zona3","zona4","zona5"))
zonas_intermareales
##  [1] zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1 zona1
## [12] zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2 zona2
## [23] zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3 zona3
## [34] zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4 zona4
## [45] zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5 zona5
## Levels: zona1 zona2 zona3 zona4 zona5
is.factor(zonas_intermareales)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos por la cantidad de muestra obtenida despues del cuarto tamizaje (peso final), se tiene que:

annova5<-aov(peso_del_grano5~zonas_intermareales)
summary(annova5)
##                     Df   Sum Sq Mean Sq F value   Pr(>F)    
## zonas_intermareales  4 11693323 2923331   26.93 6.08e-12 ***
## Residuals           50  5427200  108544                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
shapiro.test(annova5$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova5$residuals
## W = 0.97128, p-value = 0.2101
kruskal.test(peso_del_grano5~zonas_intermareales)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_del_grano5 by zonas_intermareales
## Kruskal-Wallis chi-squared = 29.122, df = 4, p-value = 7.383e-06

H0= no existe variación entre la granulometría de las distantas zonas intermareales, comparandolas por la masa de arena obtenida al final del cuarto tamizado.

H1= existe una variación entre la granulometría de las distantas zonas intermareales, comparandolas por la masa de arena obtenida al final del cuarto tamizado.

Después de analizar las muestras a partir del peso final obtenido después del 4 tamiz se extrajo la media y desviación estándar a cada transepto, fué mayor en la zona 3 (1767.97 ± 343.71, n=11), seguido de la zona 4(938.39±465.91 n=11), zona1 (745.66 ±374.91, n=11), zona 2 (571.10±219.69, n=11) y zona5 (480.25 ±136.65, n=11). El resultado obtenido del Anova refleja diferencias estadísticamente significativas (F=26.93;gl=4,50; p< 6.08e-12). Así mismo se realizó una comparación no planeada con Bonferroni y se encontraron diferencias significativas entre zona1-zona3 (p<0.2 e-03), zona2-zona3 (p<2.8e-05), zona3-zona4 (p<0.003), zona3-zona5 (p<2.8 e-05), zona2-zona5 (p<0.001), pero no entre zona1-zona2 (p>1.000), zona1-zona4(p<1.000), zona1-zona5 (p<0.336), zona2-zona4 (p<0.758), zona2-zona5(p<1.000), zona4-zona5(p<0.280). (Ver Figura 5)

vector5<-data.frame(peso_del_grano5,zonas_intermareales)
vector5
library(ggplot2)
vector_5<-ggplot(vector5,aes(x=as.factor(zonas_intermareales),y=peso_del_grano5,colour=(zonas_intermareales)))+geom_boxplot()
vector_5+theme_bw()->vector_5
vector_5+xlab("Zonas intermarelaes")+ylab("Peso (g)")->vector_5
vector_5+ggtitle("Figura5.Comparacion por tamiz 5 de las distintas zonas intermareales")->vector_5
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vector_5+scale_colour_manual(values=micolor)->vector_5
vector_5

Ahora aplicando el análisis post-hoc basado en la fórmula Wilcox, podemos delucidar que variables tienen diferencias significativas entre si, como se muestra a continuación.

pairwise.wilcox.test(peso_del_grano5,zonas_intermareales,data=base_sin_profundidades,p.adjust.method="b")
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_del_grano5 and zonas_intermareales 
## 
##       zona1  zona2   zona3   zona4 
## zona2 1.0000 -       -       -     
## zona3 0.0002 2.8e-05 -       -     
## zona4 1.0000 0.7589  0.0039  -     
## zona5 0.3360 1.0000  2.8e-05 0.2807
## 
## P value adjustment method: bonferroni

El segundo objetivo se planteaba el comparar cada transepto, tomando las muestras numero 5 de cada uno de ellos y haciendo una comparación de sus diversas profundidades. La matriz de datos se muestra a continuación.

library(readxl)
base_ultimate <- read_excel("ordenar/proyecto/base ultimate.xlsx",  col_types = c("text", "numeric", "numeric", "numeric", "numeric", "numeric"))
Comparación por tamiz 1 (1200µm) a 20 cm, 40 cm y 60 cm de profundidad.
peso_grano1<-(base_ultimate$t1)
peso_grano1
##  [1]   0.00   0.30   2.90  34.60   2.80  10.20   0.07   8.00  16.00   4.40
## [11]   5.00   1.80   4.10 255.40 110.00
profundidades<-gl(3,5,label=c("profundidad_20","profunidad_40","profundidad_60"))
profundidades
##  [1] profundidad_20 profundidad_20 profundidad_20 profundidad_20
##  [5] profundidad_20 profunidad_40  profunidad_40  profunidad_40 
##  [9] profunidad_40  profunidad_40  profundidad_60 profundidad_60
## [13] profundidad_60 profundidad_60 profundidad_60
## Levels: profundidad_20 profunidad_40 profundidad_60
is.factor(profundidades)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos a distintas profundidades, por la cantidad de muestra retenida en el primer tamizaje se tiene que:

annova_t1<-aov(peso_grano1~profundidades)
summary(annova_t1)
##               Df Sum Sq Mean Sq F value Pr(>F)
## profundidades  2  15113    7556   1.811  0.206
## Residuals     12  50082    4174
shapiro.test(annova_t1$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova_t1$residuals
## W = 0.75911, p-value = 0.00115
kruskal.test(peso_grano1~profundidades)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_grano1 by profundidades
## Kruskal-Wallis chi-squared = 2.34, df = 2, p-value = 0.3104

H0= no existe variación en la granulometría despues del primer tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

H1= existe variación en la granulometría despues del primer tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

Después de analizar las muestras a través del tamiz 1, se extrajo la media y desviación estándar a cada transepto, fué mayor en la profundidad 60 (75.26 ± 110.74, n=5), seguido de la profundidad 20(8.12± 14.86, n=5), y la profundidad 40 (7.73 ± 6.00, n=5). El resultado obtenido del Anova refleja diferencias estadísticamente significativas (F=1.81; gl=2,12; p<0.20). Así mismo se realizó una comparación no planeada con Bonferroni y no se encontraron diferencias significativas entre ninguna profundidad obteniendo para la profundidad 20-profundidad 40(p<1.00), profundidad 20-profundidad 60 (p<0.45) y profundidad 40-profundidad 60 (p<1.00). (ver figura 7)

vector_t1<-data.frame(peso_grano1,profundidades)
vector_t1
library(ggplot2)
vec1<-ggplot(vector_t1,aes(x=as.factor(profundidades),y=peso_grano1,colour=(profundidades)))+geom_boxplot()
vec1+theme_bw()->vec1
vec1+xlab("Profundidades")+ylab("Peso (g)")->vec1
vec1+ggtitle("Figura6.Comparacion por tamiz 1 de las distintas zonas intermareales a diferentes profundidades")->vec1
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vec1+scale_colour_manual(values=micolor)->vec1
vec1

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_grano1,profundidades,data=base_ultimate,p.adjust.method="b",exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_grano1 and profundidades 
## 
##                profundidad_20 profunidad_40
## profunidad_40  1.00           -            
## profundidad_60 0.43           1.00         
## 
## P value adjustment method: bonferroni
Comparación por tamiz 2 (850µm) a 20 cm, 40 cm y 60 cm de profundidad.
peso_grano2<-(base_ultimate$t2)
peso_grano2
##  [1]   2.6   0.6   6.0  71.0  17.0  13.9   0.6   1.9  26.1  42.3   7.9
## [12]   2.0   3.8 286.8  32.7
profundidades<-gl(3,5,label=c("profundidad_20","profunidad_40","profundidad_60"))
profundidades
##  [1] profundidad_20 profundidad_20 profundidad_20 profundidad_20
##  [5] profundidad_20 profunidad_40  profunidad_40  profunidad_40 
##  [9] profunidad_40  profunidad_40  profundidad_60 profundidad_60
## [13] profundidad_60 profundidad_60 profundidad_60
## Levels: profundidad_20 profunidad_40 profundidad_60
is.factor(profundidades)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos a distintas profundidades, por la cantidad de muestra retenida en el segundo tamizaje, se tiene que:

annova_t2<-aov(peso_grano2~profundidades)
summary(annova_t2)
##               Df Sum Sq Mean Sq F value Pr(>F)
## profundidades  2   7837    3918   0.713   0.51
## Residuals     12  65913    5493
shapiro.test(annova_t2$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova_t2$residuals
## W = 0.71513, p-value = 0.0003624
kruskal.test(peso_grano2~profundidades)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_grano2 by profundidades
## Kruskal-Wallis chi-squared = 0.37567, df = 2, p-value = 0.8288

H0= no existe variación en la granulometría después del segundo tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

H1= existe variación en la granulometría después del segundo tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

Después de analizar las muestras a través del tamiz 2, se extrajo la media y desviación estándar a cada transepto, fué mayor en la profundidad 60 (66.64 ±123.69, n=5), seguido de la profundidad 20(19.44± 29.51, n=5), y la profundidad 40 (16.96 ± 17.53, n=5). El resultado obtenido del Anova refleja diferencias estadísticamente no significativas (F=0.71; gl=2,12; p< 0.51). Así mismo se realizó una comparación no planeada con Bonferroni y no se encontraron diferencias significativas entre ninguna profundidad obteniendo para la profundidad 20-profundidad 40(p<1.00), profundidad 20-profundidad60 (p<1.00) y profundidad 40-profundidad60 (p<1.00). (Ver Figura 7)

vector_t2<-data.frame(peso_grano2,profundidades)
vector_t2
library(ggplot2)
vec2<-ggplot(vector_t2,aes(x=as.factor(profundidades),y=peso_grano2,colour=(profundidades)))+geom_boxplot()
vec2+theme_bw()->vec2
vec2+xlab("Profundidades")+ylab("Peso (g)")->vec2
vec2+ggtitle("Figura7.Comparacion por tamiz 2 de las distintas zonas intermareales a diferentes profundidades")->vec2
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vec2+scale_colour_manual(values=micolor)->vec2
vec2

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_grano2,profundidades,data=base_ultimate,p.adjust.method="b",exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_grano2 and profundidades 
## 
##                profundidad_20 profunidad_40
## profunidad_40  1              -            
## profundidad_60 1              1            
## 
## P value adjustment method: bonferroni
Comparación por tamiz 3 (425µm) a 20 cm, 40 cm y 60 cm de profundidad.
peso_grano3<-(base_ultimate$t3)
peso_grano3
##  [1] 366.9   6.6   3.6 263.1 219.4 196.1  10.0  31.4  56.8 319.4 188.0
## [12]  12.7   9.2 259.0 172.6
profundidades<-gl(3,5,label=c("profundidad_20","profunidad_40","profundidad_60"))
profundidades
##  [1] profundidad_20 profundidad_20 profundidad_20 profundidad_20
##  [5] profundidad_20 profunidad_40  profunidad_40  profunidad_40 
##  [9] profunidad_40  profunidad_40  profundidad_60 profundidad_60
## [13] profundidad_60 profundidad_60 profundidad_60
## Levels: profundidad_20 profunidad_40 profundidad_60
is.factor(profundidades)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos a distintas profundidades, por la cantidad de muestra retenida en el tercer tamizaje se tiene que:

annova_t3<-aov(peso_grano3~profundidades)
summary(annova_t3)
##               Df Sum Sq Mean Sq F value Pr(>F)
## profundidades  2   7254    3627   0.194  0.826
## Residuals     12 223863   18655
shapiro.test(annova_t3$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova_t3$residuals
## W = 0.91136, p-value = 0.1421
kruskal.test(peso_grano3~profundidades)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_grano3 by profundidades
## Kruskal-Wallis chi-squared = 0.14, df = 2, p-value = 0.9324

H0= no existe variación en la granulometría despues del tercer tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

H1= existe variación en la granulometría despues del tercer tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

Después de analizar las muestras a través del tamiz 3, se extrajo la media y desviación estándar a cada transepto, fué mayor en la profundidad 20 (171.92 ±161.43, n=5), El resultado obtenido del Anova refleja diferencias estadísticamente significativas seguido de la profundidad 60(128.30± 111.97, n=5), y la profundidad 40 (122.74 ±131.77,n=5). El resultado obtenido del Anova refleja diferencias estadísticamente no significativas (F=0.19; gl=2,12; p<0.82). Así mismo se realizó una comparación no planeada con Bonferroni y no se encontraron diferencias significativas entre ninguna profundidad obteniendo para la profundidad 20-profundidad 40(p<1.00), profundidad 20-profundidad60 (p<1.00) y profundidad 40-profundidad60 (p<1.00). (ver Figura 8)

vector_t3<-data.frame(peso_grano3,profundidades)
vector_t3
library(ggplot2)
vec3<-ggplot(vector_t3,aes(x=as.factor(profundidades),y=peso_grano3,colour=(profundidades)))+geom_boxplot()
vec3+theme_bw()->vec3
vec3+xlab("Profundidades")+ylab("Peso (g)")->vec3
vec3+ggtitle("Figura8.Comparacion por tamiz 3 de las distintas zonas intermareales a diferentes profundidades")->vec3
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vec3+scale_colour_manual(values=micolor)->vec3
vec3

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_grano3,profundidades,data=base_ultimate,p.adjust.method="b",exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_grano3 and profundidades 
## 
##                profundidad_20 profunidad_40
## profunidad_40  1              -            
## profundidad_60 1              1            
## 
## P value adjustment method: bonferroni
Comparación por tamiz 4 (250µm) a 20 cm, 40 cm y 60 cm de profundidad.
peso_grano4<-(base_ultimate$t4)
peso_grano4
##  [1] 861.8 916.8  84.9 244.7 471.9 968.7 768.8 180.6 535.2 354.3 956.3
## [12] 893.7 324.9 330.2 618.9
profundidades<-gl(3,5,label=c("profundidad_20","profunidad_40","profundidad_60"))
profundidades
##  [1] profundidad_20 profundidad_20 profundidad_20 profundidad_20
##  [5] profundidad_20 profunidad_40  profunidad_40  profunidad_40 
##  [9] profunidad_40  profunidad_40  profundidad_60 profundidad_60
## [13] profundidad_60 profundidad_60 profundidad_60
## Levels: profundidad_20 profunidad_40 profundidad_60
is.factor(profundidades)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos a distintas profundidades, por la cantidad de muestra retenida en el cuarto tamizaje se tiene que:

annova_t4<-aov(peso_grano4~profundidades)
summary(annova_t4)
##               Df  Sum Sq Mean Sq F value Pr(>F)
## profundidades  2   29846   14923   0.138  0.872
## Residuals     12 1298071  108173
shapiro.test(annova_t4$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova_t4$residuals
## W = 0.89884, p-value = 0.09136
kruskal.test(peso_grano4~profundidades)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_grano4 by profundidades
## Kruskal-Wallis chi-squared = 0.42, df = 2, p-value = 0.8106

H0= no existe variación en la granulometría despues del cuarto tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

H1= existe variación en la granulometría despues del cuarto tamizaje entre los transectos, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

Después de analizar las muestras a través del tamiz 4, se extrajo la media y desviación estándar a cada transepto, fue mayor en la profundidad 60 (624.80 ±299.56, n=5), seguido de la profundidad 40(561.52± 315.23, n=5), y la profundidad 20 (516.02 ±367.97, n=5). El resultado obtenido del Anova refleja diferencias estadísticamente no significativas (F=0.13; gl=2,12; p<0.87). Así mismo se realizó una comparación no planeada con Bonferroni y no se encontraron diferencias significativas entre ninguna profundidad obteniendo para la profundidad 20-profundidad 40(p<1.00), profundidad 20-profundidad60 (p<1.00) y profundidad 40-profundidad60 (p<1.00). (Ver Figura 9).

vector_t4<-data.frame(peso_grano4,profundidades)
vector_t4
library(ggplot2)
vec4<-ggplot(vector_t4,aes(x=as.factor(profundidades),y=peso_grano4,colour=(profundidades)))+geom_boxplot()
vec4+theme_bw()->vec4
vec4+xlab("Profundidades")+ylab("Peso (g)")->vec4
vec4+ggtitle("Figura9.Comparacion por tamiz 4 de las distintas zonas intermareales a diferente profundidad")->vec4
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vec4+scale_colour_manual(values=micolor)->vec4
vec4

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_grano4,profundidades,data=base_ultimate,p.adjust.method="b",exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_grano4 and profundidades 
## 
##                profundidad_20 profunidad_40
## profunidad_40  1              -            
## profundidad_60 1              1            
## 
## P value adjustment method: bonferroni
Comparación por tamiz 5 (peso final) a 20 cm, 40 cm y 60 cm de profundidad.
peso_grano5<-(base_ultimate$pf)
peso_grano5
##  [1]  195.9  388.8 1587.6  493.0  402.1  600.3  856.4 1548.7 1013.0  389.3
## [11]  378.4  981.8 1805.2  731.7  365.2
profundidades<-gl(3,5,label=c("profundidad_20","profunidad_40","profundidad_60"))
profundidades
##  [1] profundidad_20 profundidad_20 profundidad_20 profundidad_20
##  [5] profundidad_20 profunidad_40  profunidad_40  profunidad_40 
##  [9] profunidad_40  profunidad_40  profundidad_60 profundidad_60
## [13] profundidad_60 profundidad_60 profundidad_60
## Levels: profundidad_20 profunidad_40 profundidad_60
is.factor(profundidades)
## [1] TRUE

Ahora aplicando el análisis de ANOVA para comparar los trayectos a distintas profundidades, por la cantidad de muestra obtenida tras el cuarto tamizaje (peso final), se tiene que:

annova_t5<-aov(peso_grano5~profundidades)
summary(annova_t5)
##               Df  Sum Sq Mean Sq F value Pr(>F)
## profundidades  2  216355  108178    0.38  0.692
## Residuals     12 3418554  284879
shapiro.test(annova_t5$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  annova_t5$residuals
## W = 0.84151, p-value = 0.0132
kruskal.test(peso_grano5~profundidades)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  peso_grano5 by profundidades
## Kruskal-Wallis chi-squared = 1.28, df = 2, p-value = 0.5273

H0= no existe variación en la granulometría comparandolas por la masa de arena obtenida al final del cuarto tamizado, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

H1= existe variación en la granulometría comparandolas por la masa de arena obtenida al final del cuarto tamizado, partiendo de la comparación del punto cinco de cado uno a sus distintas profundidades.

Después de analizar las muestras a partir del peso final obtenido después del 4 tamiz se extrajo la media y desviación estándar a cada transepto, fué mayor en la profundidad 40 (881.54 ±442.83, n=5), seguido de la profundidad 60(852.46±591.85, n=5), y la profundidad 20 (613.48 ±555.19,n=5). El resultado obtenido del Anova refleja diferencias estadísticamente no significativas (F=0.38; gl=2,12; p< 069). Así mismo se realizó una comparación no planeada con Bonferroni y no se encontraron diferencias significativas entre ninguna profundidad obteniendo para la profundidad 20-profundidad 40(p<0.93), profundidad 20-profundidad 60 (p<1.00) y profundidad 40-profundidad 60 (p<1.00). (Ver Figura 10).

vector_t5<-data.frame(peso_grano5,profundidades)
vector_t5
library(ggplot2)
vec5<-ggplot(vector_t5,aes(x=as.factor(profundidades),y=peso_grano5,colour=(profundidades)))+geom_boxplot()
vec5+theme_bw()->vec5
vec5+xlab("Profundidades")+ylab("Peso (g)")->vec5
vec5+ggtitle("Figura10.Comparacion por tamiz 5 de las distintas zonas intermareales a diferentes profundidades")->vec5
library(colourpicker)
c("#45E6C6", "#68D9BF", "#91C6F7", "#ABA7F2", "#92B1EBFD")->micolor
vec5+scale_colour_manual(values=micolor)->vec5
vec5

Se realiza un análisis post-hoc basado en la fórmula de Wilcox, para establecer la relación existente entre las diferentes variables. Se aplica el ajuste de Bonferroni ya que los datos no son paramétricos.

pairwise.wilcox.test(peso_grano5,profundidades,data=base_ultimate,p.adjust.method="b",exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test 
## 
## data:  peso_grano5 and profundidades 
## 
##                profundidad_20 profunidad_40
## profunidad_40  0.89           -            
## profundidad_60 1.00           1.00         
## 
## P value adjustment method: bonferroni

Discusión

El comportamiento temporal de la distribución granulométrica del sedimento, es más difícil de observar que el comportamiento espacial, este comportamiento muestra una variabilidad estacional que está fuertemente relacionada con los cambios morfológicos del perfil. (Medina et al., 1995). Como se mencionó anteriormente la granulometría es más difícil de observar a simple vista, pero es más certera a la hora de verificar los cambios morfológicos del perfil de la playa. Existen diversos trabajos que analizan la variación espacial a lo largo de un perfil de playa de los parámetros asociados al grano, como, por ejemplo, la media, moda, sesgo (Moutzouris, 1991). Los valores promedio para las partículas por el método de tamizado, permite clasificar a la muestra como fina, en seco se seleccionan los granos por la longitud de los ejes menor e intermedio en las partículas reales lo que hace difícil establecer que tenga forma esférica (Rodríguez, 2009). En comparación a los análisis realizados en los suelos de los ríos se encontró un estudio realizado en España que consiste en que el material fino de los estuarios de los ríos Tinto y Odiel están asociados con los procesos de floculación (aglutinar las sustancias coloidales presentes en el agua, facilitando de esta forma su decantación y posterior filtrado.) y decantación que se producen en las zonas de mezcla salina y neutralización ácida de ambos estuarios. (López-González, 2006). Lo que dice es que entre los ríos y el mar existen diferencias físicas como el tipo de suelo, por eso los análisis se realizan de forma distinta. Como la granulometría permite determinar la porosidad y capilaridad del medio se deduce que en las zonas tres, cuatro y cinco se encuentran las partículas de mayor tamaño, y en las zonas uno y dos están las de menor tamaño, esto se debe a que la zona uno y dos se localizan más cerca del mar, y las partículas se encuentran en constante movimiento con mayor capilaridad, mientras que en las zonas tres, cuatro y cinco están más alejadas del mar y sus partículas presentan menor capilaridad y porosidad.

Recomendaciones

Algunas recomendaciones al respecto serían estandarizar el tamaño inical de muestra, para un mejor muestreo de las muestras a profundidad, utilizar núcleos para que la arena de diferentes profundidades no se mezcle y altere la toma de datos. Trabajar con proporciones en lugar de datos crudos Utilizar métodos de tamizado por láser o de vibración para que las muestras queden totalmente tamizadas y no exista filtración de una muestra de un tamiz al otro. Automatizar la toma de muestras para eliminar errores de tipo humano.

Referencias bibliograficas

Medina, R., Losada, I., Losada, M.A & Vidal, C. (1995). VARIABILIDAD DE LOS PERFILES DE PLAYA: FORMA Y DISTRIBUCIÓN GRANULOMÉTRICA. Ingeniería del Agua, Vol. 2, pp. 133-142.

RODRÍGUEZ, G., URIARTE, A.(2009).Laser Diffraction and Dry-sieving Grain Size Analyses Undertaken on Fine- and Medium-Grained Sandy Marine Sediments: A Note.Journal of Coastal, 25(1),257-264.

KOMAR. P.D., BINGQUAN. C.(1984). The analysis of grain-size measurements by sieving and settling-tube techniques. En: Journal of sedimentary Petrology. 54(2):603-614

Mendéz , N., Sous-Weiss, V., & Carranza, A. (1985). La Importancia de la Granulometría en la Distribución de Organismos Bentónicos. Estudios de Playas del Estado de Veracruz, México. Instituto de Ciencias del Mar y Limnología, pp. 45-56.

Kajak, Z., Bretschko, G., Schiemer, F. & Leveque, C. (1980): Zoobenthos. - In: Lecren, E. D. & Lowe-Mcconnell, R. H. (eds.): The Functioning of Freshwater Ecosystems. - Cambridge University Press, pp. 285-307.

Katselidis KA, Schofield G, Stamou G, Dimopoulos P, Pantis JD (2014) Employing sea-level rise scenarios to strategically select sea turtle nesting habitat important for longterm management at a temperate breeding area. J Exp Mar Biol Ecol 450: pp. 47???54

López-González, N., Morales, A. J., Borrego, J, y Carro, B.(2006). Variación estacional de las características texturales en los sedimentos intermareales del estuario de los ríos Tinto y Odiel (SO España). GEOGACETA,40, 291-294.

Moutzouris, C.I., (1991). Beach Profiles vs cross-shore distríbutions of sediment grain sizes. Proc. Coastal Sedimens ’91. ASCE 860-874.