Resumen

Los ríos son de gran importancia ecológica e indispensables para los seres vivos. Los macroinvertebrados acuáticos son bioindicadores excelentes para analizar la calidad de agua de un río ya que son muy sensibles a la contaminación, son fáciles de atrapar y estudiar. Estos fueron utilizados para evaluar la calidad del agua de los ríos Porrosatí y Ciruelas conjuntamente con parámetros fisicoquímicos. En ambos sitios se realizaron 6 réplicas cada 15 metros se realizó medición de parámetros fisicoquímicos y recolección de macroinvertebrados utilizando una red D estos luego fueron identificados en un laboratorio. La abundancia de macroinvertebrados fue mayor en el río porrosatí (W = 26.5, gl= 10, p>0.05) que en el río ciruelas, al igual que en el puntaje del índice BMWP-CR (t = 1.96, gl = 10, p>0.05),Un factor que puede afectar la abundancia y categorías de macroinvertebrados son los tipos de sedimentos, la conformación y estado directo del suelo, ya que la mayoría de los macroinvertebrados encontrados viven en fondos rocosos y en uno de los ríos prevalecen los fondos lodosos. En conclusión la calidad de agua según el índice BMWP-CR según el análisis experimental no es representativo y según los parámetros fisicoquímicos está dentro de los rangos establecidos para una buena calidad de agua.

Palabras clave: Macroinvertebrados acuáticos, parámetros fisicoquímicos, calidad de agua, ríos.

Introducción

Los ríos son cuerpos de agua con baja salinidad, que forman ecosistemas únicos y de gran importancia para el planeta y los seres vivos. En ellos se puede encontrar zonas con amplia biodiversidad, son fuente de agua potable para los animales y seres humanos. Los animales generalmente buscan lugares con agua potable cercana y a la vez se mantienen cerca de estos; entre más nos alejamos de los cuerpos de agua, tanto la flora como la fauna empieza a escasear.

Los ríos son vitales para actividades humanas como la ganadería, la agricultura, la pesca y la comunicación entre pueblos, siempre han estado relacionados con el progreso humano. El problema de este progreso humano es la contaminación. Entre más desarrollo de la sociedad y más sobrepoblación del planeta, se han destruido y contaminado una gran mayoría de ecosistemas. La contaminación hídrica ha sido devastadora en el caso de los ríos, donde la afectación se ha generado por pesticidas, desechos de ganaderia, aguas residuales de viviendas y muchos contaminantes más, llegando a alterar no solo los ríos sino también el mar.

El deterioro en el medio ambiente es provocado por el aumento acelerado de la población, esto conlleva el aumento de producción, en actividades industriales, farmacéuticas, agrícolas debido a que las aguas que cada actividad genera son vertidas directamente a los cuerpos de agua, estas aguas no se tratan previamente, consecuentemente no se puede mitigar el impacto que se está generando sobre los cuerpos de agua (Ramirez, 2017).

Debido a esta problemática existe la posibilidad de calcular la calidad del agua de un río utilizando a los seres vivos que habitan en él, como es el caso de los macroinvertebrados. Los macroinvertebrados acuáticos son seres vivos que se pueden ver a simple vista. Se llaman macro porque son grandes (miden entre 2 milímetros y 30 centímetros), invertebrados porque no tienen huesos, y acuáticos porque viven en los lugares con agua dulce: esteros, ríos, lagos y lagunas. Estos animales proporcionan excelentes señales sobre la calidad del agua, y, al usarlos en el monitoreo, puede entender claramente el estado en que ésta se encuentra: algunos de ellos requieren agua de buena calidad para sobrevivir; otros, en cambio, resisten, crecen y abundan cuando hay contaminación. (Carrera, 2001)

Los macroinvertebrados son organismos que han sido utilizados con mucha frecuencia en los estudios relacionados con la calidad de agua y contaminación de los ríos. Son utilizados ya que presentan varias características que los convierten en organismos ideales para este tipo de estudios: Tienen poco movimiento, son afectados directamente por la contaminación del agua y tienen ciclos de vida largos, gracias a esto se pueden ver cambios y posibles afectaciones a largo plazo. Los parámetros fisicoquímicos también son utilizados para la determinación de calidad de agua ya que son más rápidos de analizar y se pueden tomar muchas muestras por periodos largos y más frecuentes, además que pueden brindar información sobre la naturaleza de los contaminantes. (Ruiz, Escobar, & Escobar, 2007)

Objetivo General

Objetivos específicos

  1. Determinar la calidad de agua de los ríos Porrosatí y Ciruelas mediante parámetros fisicoquímicos.

  2. Determinar la calidad de agua los ríos Porrosatí y Ciruelas mediante macroinvertebrados acuáticos.

Materiales y métodos

Área de estudio

El presente estudio se llevó a cabo en las microcuencas de los ríos Porrosatí y río Ciruelas, ubicadas en San José de la Montaña, Barva, Heredia. El distrito de San José de la Montaña, presenta un clima templado muy húmedo, con una precipitación anual de 3.158 mm, la temperatura promedio se encuentra entre 24 °C y 14 °C. El uso de suelo está caracterizado por cultivos agrícolas, pastizales, plantaciones forestales, zonas de protección y áreas vegetales, además los principales usos determinan las actividades que la comunidad desarrolla (Hernández y Ulate, 2016).

En la microcuenca del río ciruelas el uso del suelo está caracterizado por cobertura boscosa de 23,8%, asentamientos humanos 20,8%, los pastos y charrales 19,2%, café 16,5% y otros cultivos (caña, hortalizas y viveros) 19,7% (Ureña, Jiménez, Reynolds, Jones y Prins, 2006 ) y en la microcuenca del río porrosatí pastos 53%, bosque secundario 19% y finalmente la de bosque ripario y bosque primario ambas con un 9% , café 5% (Hernández y Ulate, 2016).

Muestreo

Se establecieron dos sitios de muestreo, río Porrosatí y río Ciruelas. El muestreo de los parámetros fisicoquímicos se realizó por medio de 6 réplicas demuestreo de agua. En cada uno de los ríos se midió pH, conductividad eléctrica (µs/cm), oxígeno disuelto (mg/L) y temperatura(°C) con un multiparámetro LabQuest® 2. La recolecta de las muestras de macroinvertebrados bentónicos y nectónicos se realizó de la siguiente manera: en cada uno de los sitios de muestreo se tomaron 6 réplicas de muestreo cada 15 metros, con una red D, siguiendo las recomendaciones de Ramirez (2010), seguidamente los sedimentos y hojarasca fueron colocados en una bandeja blanca; los macroinvertebrados fueron separados del resto de los materiales con pinzas, estos se recogieron en frascos plásticos, fijándose con etanol al 80% y se llevaron al laboratorio de Entomología de la Universidad Nacional de Costa Rica para su identificación y conteo, la mayor parte de los organismos fue clasificada hasta el nivel de familia y se determino el puntaje para el indice BMWP-CR.

Análisis Estadístico

El programa R (versión 1.1.1335 2019) se utilizó para realizar las pruebas de normalidad, homocedasticidad de los datos obtenidos en ambos ríos, para determinar si se iban a utilizar métodos paramétricos o no paramétricos, después se realizaron pruebas de T-Student, correlaciones y pruebas de Chi-cuadrado para las variables cualitativas.

Resultados

Se recolectaron un total de 62 individuos en río porrosatí representados en 8 órdenes, los ordenes con más especímenes fueron Amphipoda con 21 (34%), seguido de Ephemenoptera con 10 (16%) y Odonata con 9 (15%) y el río ciruelas se recolectaron 44 especímenes, el filo Annelida fue el más abundante con 25 individuos (57%), seguido por el orden Hemiptera con 6 (14%). El puntaje total obtenido de la calidad del agua para el río Porrosatí y Ciruelas, utilizando los índices BMWP-CR, fueron los siguientes respectivamente: 59 y 34.

Cuadro 1. Valores de los parametros fisicoquímicos obtenidos en los rios(media ± desviacion estandar) y valores óptimos de la calidad de agua(Flanagan 1992; Yepes, 2014 y Ramírez et al 1998)

Se realizaron pruebas de T-student para determinar si había diferencia estadística entre el puntaje del índice BMWP-CR por réplicas en los dos sitio y si la abundancia era significativamente diferente entre sitios.

Figura 1. Diferencias entre el Índice BMWP-CR entre ríos.

Figura 2. Diferencias entre la abundancia de macroinvertebrados entre ríos.

Según las pruebas la abundancia de macroinvertebrados fue mayor en el río porrosatí (W = 26.5, gl= 10, p>0.05) que en el río ciruelas, al igual que en el puntaje del índice BMWP-CR (t = 1.9695, gl = 10, p>0.05)

Se realizaron correlaciones para determinar si había asociación entre las variables fisicoquimica entre los dos ríos

Figura 3. Correlación entre los cuatro parámetros fisicoquímicos en el río porrosatí

Figura 4. Correlación entre los cuatro parámetros fisicoquímicos en el río Ciruelas

En las pruebas de correlación se encontró que los parámetros más correlacionados fueron el oxígeno y el pH (r=0.8477668; gl=4: P<0.05) Se comparó por medio de una prueba de Fisher los sitios de estudio variables de gran importancia en la calidad de agua como son el estilo o modo de vida de los macroinvertebrados y el grupo taxonómico.

Figura 5. Comparación entre ríos con el estilo de vida de los macroinvertebrados

La prueba Fisher realizada entre el sitio y el estilo de vida es significativa (gl=2; p<0.05)

Figura 6. Comparación entre ríos con el grupo taxonómico de los macroinvertebrados

La prueba Fisher realizada entre el sitio y el grupo taxonómico es significativa (gl=2; p<0.05)

Discusión

Las muestras de macroinvertebrados no son representativas por la cantidad de individuos encontrados y por la cantidad de muestreos realizados. También se determino a los factores climáticos como causantes de la no representatividad, Meyer Guevara (2011) menciona que la disminución de macroinvertebrados en época de mayor precipitación puede estar dada por un proceso denominado deriva, ocurre principalmente cuando se dan crecidas en los ríos; las lluvias afectan el sustrato donde estos se adhieren reduciendo la cantidad de hábitats. Esto también lo mencionan los autores Hanson, Springer, & Ramírez (2010). Según trabajos realizados por Benstead & Pringle (2004) los cúmulos de hojas y el detrito orgánico de origen natural tienen amplio valor para la alimentación y desarrollo de las poblaciones de macroinvertebrados acuáticos al considerar que la época lluviosa afecta por igual toda el área, el aumento en los volúmenes de agua debido a la precipitación, genera la remoción y dificultan la permanencia de cúmulos de hojas, lo cual podría ser uno de los factores que disminuye la abundancia de macroinvertebrados acuáticos luego del inicio del periodo de lluvias. (Guevara, 2011). Es por esta razón que se recomienda hacer el muestreo en verano para evitar que los datos se vean afectados por estos factores ambientales. Si se hubiera tenido más muestras de macroinvertebrados, podríamos predecir que los datos hubieran tenido un nivel de significancia más alto.

Las categorías de macroinvertebrados presentadas en ambos ríos pueden ser utilizadas para la caracterización de un análisis de calidad de agua debido que los mismos se relacionan directamente con familias, algunas muy específicas o estrictamente subterráneas, bentónicas o de flotabilidad libre. Los macroinvertebrados subterráneos pueden estar asociados a la familia de las lombrices y babosas dos de las familias que ocupan en el índice BMWP-CR poco puntaje, lo mismo suele pasar con algunos coleópteros en su fase larval que son macroinvertebrados subterráneos, se resalta la importancia de mencionar que estos tipos de análisis son criterios semi-subjetivos de datos o base que pueden presentar gran variedad de datos o factores que inclinen la balanza de la calidad del agua a un buen estado o un mal estado (Carrera & Fierro, 2001).

En ambos ríos se presentó gran diversidad de familias de macroinvertebrados, sin embargo, el análisis de Chi- cuadrado determinó que existía categorías dominantes en el río Ciruelas, por ejemplo el grupo subterráneo, las cuales eran menos abundantes en el río Porrosatí. Un factor que puede afectar directamente las categorías de macroinvertebrados son los tipos de sedimentos, la conformación y estado directo del suelo, ya que la mayoría de los macroinvertebrados encontrados viven en fondos rocosos (Roldán 2003), y en el río Ciruelas prevalecen los fondos lodosos, esta cantidad de sedimentos, conformación y estado puede estar directamente relacionada con actividades antropogénicas así como por procesos naturales (Ureña, Jiménez, Reynolds, Jones & Prins, 2006). Según Rivera (2004) los fondos arenosos albergan pocas especies, con pocos individuos por especie. Los fondos pedregosos suelen ser más ricos, en especial cuando las rocas son grandes y finalmente cuando hay vegetación, la fauna es aún más diversa y difiere considerablemente de la fauna de otros sustratos. Además, Burdet & Watts (2009) argumentan que los sustratos dominados por hojarasca brindan una mayor disponibilidad de recursos, por lo que además de presentar una alta riqueza de especies permiten sostener una mayor densidad de organismos (Meza, Walteros, Dias y Rubio, 2012). Los Ephemeroptera pueden encontrarse en ambientes lénticos o lóticos con fondos rocosos y aguas oxigenadas (Cervantes & Aguilar, 2010). La cantidad de grupos taxonómicos con una diferencia significativa también demuestra basándose en el índice BMWP-CR una calidad de agua distinta en ambos ríos, no se puede decir con precisión cuál de los dos ríos presenta mejor calidad de agua con este tipo de metodología. La calidad del agua si puede ser analizada con base en las acciones humanas directas o indirectas que afectalteran los ríos Ciruelas y Porrosatí.

Sobre los parámetros fisicoquímicos se puede decir; que en el agua se presenta una difusión del oxígeno más lenta que la presentada en el aire, además, la cantidad de oxígeno presente en el agua es menor. Existe una correlación entre el oxígeno disuelto y la temperatura, este al aumentar la temperatura va presentando un descenso progresivo, también se presenta la misma situación al disminuir la corriente del agua . (Hanson, Springer, & Ramírez, 2010) esta correlación se da por el movimiento de las moléculas que se encuentran en el agua; esta energía es liberada al medio externo a su vez con oxígeno disuelto, es por esta razón que el oxígeno disminuye en el medio acuático. El oxígeno disuelto es uno de los indicadores más importantes de la calidad del agua. Los valores normales varían entre los 7.0 y 8.0 mg/L. Los ambientes contaminados son los que más se relacionan con bajos valores de oxígeno disuelto, en comparación con el rango normal de condiciones naturales (Arce, 2017). En el caso del pH el intervalo de la concentración adecuado para la proliferación y desarrollo de la vida acuática es bastante estrecho y critico, la mayoría de animales acuáticos prefieren un rango de 6.5 a 8.0; fuera de este rango se reduce a la diversidad por estrés fisiológico y la reproducción. La conductividad también es otro parámetro fisicoquímico que tiene estrecha relación con la calidad de agua; según Yepes (2004) el promedio de la conductividad en aguas tropicales de cuencas bajas poco intervenidas se encuentra entre 150-200 μS/cm. La conductividad a partir de los 200 μS/cm en ríos colombianos empieza a señalar problemas de contaminación y a partir de 275, condiciones salobres (Ruiz, Escobar & Escobar, 2007).

Conclusiones

La calidad de agua según el índice BMWP-CR según análisis experimental no es representativo y segun los parametros fisicoquimicos (datos crudos) esta dentro de los rangos establecidos para una buena calidad de agua.

Referencias bibliográficas

Arce, A. (2017). Utilización de los macroinvertebrados para la determinación de la calidad del agua, ubicada en cinco cuencas ubicadas en el Corredor Biológico Garcimuñoz, Alajuela, Costa Rica . UNIVERSIDAD TÉCNICA NACIONAL .

Benstead, J., & Pringle, C. (2004). La deforestación altera la base de recursos y la biomasa de los insectos endémicos en el este de Madagascar. Freshwater, 49(4), 490-501.

Carrera, C. y Fierro, K. 2001. Manual de monitoreo: los macroinvertebrados acuáticos como indicadores de la calidad del agua. EcoCiencia. Quito. (https://biblio.flacsoandes.edu.ec/catalog/resGet.php?resId=56374)

Guevara, M. (2011). Insectos acuáticos y calidad del agua en la cuenca y embalse del río Peñas Blancas, Costa Rica. Revista de Biología Tropical, 59(2), 635-654. Hanson, P., Springer, M., & Ramírez, A. (2010). Capítulo 1: Introducción a los grupos de macroinvertebrados acuáticos. Revista de Biología Tropical, 58(4), 3-37.

Meza, A. M., Walteros, J., Dias, L., & Rubio, J. (2012). Calidad de agua y composición de macroinvertebrados acuáticos en la subcuenca alta del río Chinchiná. Caldasia, 34(2), 443-456.

Ramírez Cando, Lenin J., Santiago P. Guerra Guevara y Gabriela A. Reinoso Molina (2017). In vitro evaluation of lead removal in wastewater by Photobacterium Damselae. En: LA GRANJA. Revista de Ciencias de la Vida 26.2, 155-162

Ruiz, N. E., Escobar, Y., & Escobar, J. C. (2007). Revisión de parámetros fisicoquímicos como indicadores de calidad y contaminación del agua. Ingeniería e investigación, 27(3), 172-181.

Roldán G. (2003). Bioindicación de la calidad del agua en Colombia. Uso del método BMWP/Col, Universidad de Antioquia, Medellın, Medellın, Colombia.

Cervantes, L. S., & Aguilar, A. Z. (2010). Guia ilustrada para el estudio ecológico y taxonómico de los insectos acuáticos inmaduros del Orden Ephemeroptera en El Salvador. En M. Springer, J. Sermeño, & D. Vásquez (Eds.), Formulación de una guía metodológica estandarizada para determinar la calidad ambiental de las aguas de los ríos de El Salvador, utilizando insectos acuáticos. San Salvador: Editorial Universitaria UES.

Ureña, N., Jiménez, F., Reynolds, J., Jones, J., & Prins, C. (2006). Efectos del aumento poblacional y del cambio de uso del suelo en los recursos hídricos en la microcuenca del río Ciruelas, Costa Rica. Recursos Naturales y Ambiente, (48).

Anexo

Analisis estadistico

bmp<-c(12,13,14,47,36,13)
bmc<-c(1,6,6,7,22,12)
shapiro.test(bmp) 
## 
##  Shapiro-Wilk normality test
## 
## data:  bmp
## W = 0.73664, p-value = 0.0147
shapiro.test(bmc) 
## 
##  Shapiro-Wilk normality test
## 
## data:  bmc
## W = 0.8838, p-value = 0.287
wilcox.test(bmp,bmc)
## Warning in wilcox.test.default(bmp, bmc): cannot compute exact p-value with
## ties
## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  bmp and bmc
## W = 31.5, p-value = 0.03638
## alternative hypothesis: true location shift is not equal to 0
oxigenoP<-c(6.10, 6.10, 6.30, 6.70, 6.00, 6.50)
oxigenoC<-c(6.50, 6.20, 6.50, 6.60, 5.90, 6.30)

phP<-c(6.00, 6.30, 6.20, 6.70, 5.70, 7.00)
phC<-c(6.00, 6.11, 6.10, 6.00, 6.26, 6.26)

conductP<-c(24.00, 24.00, 25.00, 24.00, 24.00, 24.00)
conductC<-c(52.00, 52.00, 54.00, 55.00, 50.00, 55.00)

tempP<-c(12.30, 12.30, 12.30, 11.90, 12.00, 12.20)
tempC<-c(14.50, 14.50, 14.50, 14.50, 14.30, 14.60)
shapiro.test(oxigenoP)
## 
##  Shapiro-Wilk normality test
## 
## data:  oxigenoP
## W = 0.91335, p-value = 0.4588
shapiro.test(tempP)
## 
##  Shapiro-Wilk normality test
## 
## data:  tempP
## W = 0.79995, p-value = 0.05872
cor.test(oxigenoP,tempP) 
## 
##  Pearson's product-moment correlation
## 
## data:  oxigenoP and tempP
## t = -0.96569, df = 4, p-value = 0.3889
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.9212764  0.5821907
## sample estimates:
##        cor 
## -0.4348121
(-0.4348121)^2 
## [1] 0.1890616
shapiro.test(oxigenoC)
## 
##  Shapiro-Wilk normality test
## 
## data:  oxigenoC
## W = 0.91393, p-value = 0.4627
shapiro.test(tempC)
## 
##  Shapiro-Wilk normality test
## 
## data:  tempC
## W = 0.7698, p-value = 0.03091
cor.test(oxigenoC,tempC, method = "spearman") 
## Warning in cor.test.default(oxigenoC, tempC, method = "spearman"): Cannot
## compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  oxigenoC and tempC
## S = 22.995, p-value = 0.5057
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.3429972
(0.3429972)^2 
## [1] 0.1176471
shapiro.test(phP) 
## 
##  Shapiro-Wilk normality test
## 
## data:  phP
## W = 0.97811, p-value = 0.9418
shapiro.test(conductP) 
## 
##  Shapiro-Wilk normality test
## 
## data:  conductP
## W = 0.49609, p-value = 2.073e-05
cor.test(phP,conductP, method = "spearman") 
## Warning in cor.test.default(phP, conductP, method = "spearman"): Cannot
## compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  phP and conductP
## S = 39.583, p-value = 0.8047
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## -0.1309307
(-0.1309307)^2
## [1] 0.01714285
shapiro.test(phC)
## 
##  Shapiro-Wilk normality test
## 
## data:  phC
## W = 0.84839, p-value = 0.1527
shapiro.test(conductC)
## 
##  Shapiro-Wilk normality test
## 
## data:  conductC
## W = 0.89613, p-value = 0.3515
cor.test(phC,conductC)
## 
##  Pearson's product-moment correlation
## 
## data:  phC and conductC
## t = -0.4742, df = 4, p-value = 0.6601
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.8778965  0.7146638
## sample estimates:
##        cor 
## -0.2307046
(-0.2307046)^2
## [1] 0.05322461
shapiro.test(phP)
## 
##  Shapiro-Wilk normality test
## 
## data:  phP
## W = 0.97811, p-value = 0.9418
shapiro.test(tempP)
## 
##  Shapiro-Wilk normality test
## 
## data:  tempP
## W = 0.79995, p-value = 0.05872
cor.test(phP,tempP) 
## 
##  Pearson's product-moment correlation
## 
## data:  phP and tempP
## t = -0.1786, df = 4, p-value = 0.8669
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.8398799  0.7788363
## sample estimates:
##         cor 
## -0.08894426
(-0.08894426)^2
## [1] 0.007911081
shapiro.test(phC)
## 
##  Shapiro-Wilk normality test
## 
## data:  phC
## W = 0.84839, p-value = 0.1527
shapiro.test(tempC)
## 
##  Shapiro-Wilk normality test
## 
## data:  tempC
## W = 0.7698, p-value = 0.03091
cor.test(phC,tempC, method = "spearman") 
## Warning in cor.test.default(phC, tempC, method = "spearman"): Cannot
## compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  phC and tempC
## S = 35, p-value = 1
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho 
##   0
shapiro.test(oxigenoP) 
## 
##  Shapiro-Wilk normality test
## 
## data:  oxigenoP
## W = 0.91335, p-value = 0.4588
shapiro.test(conductP) 
## 
##  Shapiro-Wilk normality test
## 
## data:  conductP
## W = 0.49609, p-value = 2.073e-05
cor.test(oxigenoP,conductP, method = "spearman") 
## Warning in cor.test.default(oxigenoP, conductP, method = "spearman"):
## Cannot compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  oxigenoP and conductP
## S = 30.351, p-value = 0.8019
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.1328422
(0.1328422)^2 
## [1] 0.01764705
shapiro.test(oxigenoC)
## 
##  Shapiro-Wilk normality test
## 
## data:  oxigenoC
## W = 0.91393, p-value = 0.4627
shapiro.test(conductC)
## 
##  Shapiro-Wilk normality test
## 
## data:  conductC
## W = 0.89613, p-value = 0.3515
cor.test(oxigenoC,conductC) 
## 
##  Pearson's product-moment correlation
## 
## data:  oxigenoC and conductC
## t = 2.1735, df = 4, p-value = 0.09544
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.1879211  0.9688374
## sample estimates:
##       cor 
## 0.7358668
(0.7358668)^2 
## [1] 0.5414999
shapiro.test(oxigenoP) 
## 
##  Shapiro-Wilk normality test
## 
## data:  oxigenoP
## W = 0.91335, p-value = 0.4588
shapiro.test(phP) 
## 
##  Shapiro-Wilk normality test
## 
## data:  phP
## W = 0.97811, p-value = 0.9418
cor.test(oxigenoP,phP)  
## 
##  Pearson's product-moment correlation
## 
## data:  oxigenoP and phP
## t = 3.1969, df = 4, p-value = 0.033
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.1160488 0.9830057
## sample estimates:
##       cor 
## 0.8477668
(0.8477668)*(0.8477668)
## [1] 0.7187085
shapiro.test(oxigenoC)
## 
##  Shapiro-Wilk normality test
## 
## data:  oxigenoC
## W = 0.91393, p-value = 0.4627
shapiro.test(phC) 
## 
##  Shapiro-Wilk normality test
## 
## data:  phC
## W = 0.84839, p-value = 0.1527
cor.test(oxigenoC,phC) 
## 
##  Pearson's product-moment correlation
## 
## data:  oxigenoC and phC
## t = -2.5755, df = 4, p-value = 0.06162
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.97586492  0.06054973
## sample estimates:
##        cor 
## -0.7898233

```

mac<-read.table("clipboard",header=T)
attach(mac)

modelo<-table(Sitio,Categoria)
chisq.test(modelo)$expected
## Warning in chisq.test(modelo): Chi-squared approximation may be incorrect
##            Categoria
## Sitio       bentonico  nadador subterraneo
##   Ciruelas        6.4 4.622222    4.977778
##   Porrosati      11.6 8.377778    9.022222
fisher.test(modelo) 
## 
##  Fisher's Exact Test for Count Data
## 
## data:  modelo
## p-value = 0.004565
## alternative hypothesis: two.sided
modelo1<-table(Sitio,orden)
modelo1
##            orden
## Sitio       amphipoda anellida coleoptera dermaptera diptera ephemeroptera
##   Ciruelas          0        6          4          1       0             1
##   Porrosati         3        3          3          0       2             7
##            orden
## Sitio       hemiptera lepidoptera megaloptera odonata trichoptera
##   Ciruelas          1           1           1       1           0
##   Porrosati         2           0           0       6           3
chisq.test(modelo1)
## Warning in chisq.test(modelo1): Chi-squared approximation may be incorrect
## 
##  Pearson's Chi-squared test
## 
## data:  modelo1
## X-squared = 18.321, df = 10, p-value = 0.04978
chisq.test(modelo1)$expected 
## Warning in chisq.test(modelo1): Chi-squared approximation may be incorrect
##            orden
## Sitio       amphipoda anellida coleoptera dermaptera   diptera
##   Ciruelas   1.066667      3.2   2.488889  0.3555556 0.7111111
##   Porrosati  1.933333      5.8   4.511111  0.6444444 1.2888889
##            orden
## Sitio       ephemeroptera hemiptera lepidoptera megaloptera  odonata
##   Ciruelas       2.844444  1.066667   0.3555556   0.3555556 2.488889
##   Porrosati      5.155556  1.933333   0.6444444   0.6444444 4.511111
##            orden
## Sitio       trichoptera
##   Ciruelas     1.066667
##   Porrosati    1.933333
fisher.test(modelo1) 
## 
##  Fisher's Exact Test for Count Data
## 
## data:  modelo1
## p-value = 0.03324
## alternative hypothesis: two.sided