Materiales y mƩtodos

Sitio de estudio

El muestreo se llevĆ³ a cabo durante 2 aƱos (2018- 2019) en 4 paises diferentes (Puerto Vallarta, MĆ©xico (MEX), Monterrico, Guatemala (GUA), Islas MurciĆ©lagos, Costa Rica (CR) e Isla Coiba, PanamĆ” (PAN). En cada sitio se realizaron 10 transectos (A-J) de 30 km lineales. AdemĆ”s, se queria conocer la presencia de las especies y distintas profundidas, por lo tanto, se realizĆ³ un experimento con marcas acĆŗsticas durante el dia y la noche y con ellos se calculĆ³ su densidad promedio.

Analisis estadistico

Primeramente se realizĆ³ un analisis a la base de datos brindada y se procedio a filtrar por categorias, por ejemplo especie, aƱo, abundancia, talla, temperatura, salinidad, transecto y estacion del aƱo. Seguidamente, se elaborĆ³ una distribuciĆ³n de frecuencia con base a la abundancia y la talla, ademĆ”s, de sus histogramas respectivos para tener un mejor entendimiento de la data. Se utilizaron los metodos estadisticos de Poisson, Binnomial y Normal, con el fin de realizar comparaciones a partir de probabilidades dentro de la misma variable de abundancia. Se formularon distintas pruebas de hipotesis respecto a la epoca lluviosa y la epoca seca, para hallar su relacion con la abundancia en un transecto especifico para cada especie.Se utilizĆ³ la prueba de Chi- cuadrado en pruebas de hipotesis para determinar la relaciĆ³n entre la talla de las especies y las epocas del aƱo en los diferentes paises y transectos. Se realizaron tres correlaciĆ³n en donde se correlacionaron diferentes vectores. En la primera correlaciĆ³n fue relaizada entre los vectores abundancia y temperatura de la especie Balaenoptera edeni, en Costa Rica, en el aƱo 2019 y la epoca lluviosa, estos datos fueron sometidos a la pueba shapiro.teste para comprobar su normalidad o asimetria, seguidamente se realizĆ³ la prueba cor.test mediante el metodo de Sperman para identificar la exitencia de correlaciĆ³n entre los vectores, finalmente estos datos fueron graficados.

La segunda correlacion se realizo entre los vectores talla y temperatura, en Costa Rica de la especie Balaenoptera physalus, de igual forma que con la correlaciĆ³n anterior se realizaron las preubas estadisticas correspondientes para comprobar su normalidad o asimetria y la prueba cor.test para identificar la correlciĆ³n, de la misma forma que la anterior esta tambien fue graficada. Para la Ćŗtima correlaciĆ³n se tomaron los vectores temperatura y salinidad de la epoca lluviosa, en el aƱo 2018 y en los sitios donde fue observada la especie Balaenoptera physalus, donde fueron realizadas las mismas puebas estaditicas de las dos correlciones anteriores.

Resultados

correlaciones

Los vectores abundancia y temperatura de la especie Balaenoptera edeni segĆŗn la preuba corresondiente fueron asimĆ©tricos y normales respectivamente con p.values de 0.01958 y 0.7208, al aplicar la prueba cor.test se observĆ³ que estos datos poseĆ­an una correlaciĆ³n dĆ©bil con un rho de 0.3790399 y un p-value de 0.03886 siendo este significativo.

Imagen 1. Correlacion de abundancia y temperatura

La asimetrĆ­a de los vectores talla y temperatura de la especie Balaenoptera physalus se desmostraron con p-values de 0.0001364 y 1.919e-06 respectivamente y los cuales tuvieron una correlacion muy baja la cual fue demostrada con un p-value de 0.02194 y un rho de 0.2090455, con un valor muy cercano al 0.

Imagen 2 Correlacion talla temperatura

En la tercera correlacion se obtuvo la correlcion mƔs alta, siendo esta negativa, con un rho de -0.71564 y un p-value de < 2.2e-16, los cuales se obtuvieron al saber que los datos de temperatura y salinidad eran asimƩtricos con p-values de 2.538e-11, 0.01518 respectivamnete.

Imagen 3 Correlacion negativa entre salinidad y temperatura

# Comandos utilizados  

#  Librerias----
library(readxl)
library(fdth)
## 
## Attaching package: 'fdth'
## The following objects are masked from 'package:stats':
## 
##     sd, var
library(PerformanceAnalytics)
## Loading required package: xts
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
## 
## Attaching package: 'PerformanceAnalytics'
## The following object is masked from 'package:graphics':
## 
##     legend
library(corrplot)
## corrplot 0.84 loaded
#  CARGAR DATOS----
muestreo<-read_excel("Data/BD_Misticetos.xlsx", sheet = "Muestreo")
experimento<-read_excel("Data/BD_Misticetos.xlsx", sheet = "Experimento")

#datos organizados---- 

temperatura_bal_ede_19_lluvia_cr<-(muestreo$Temperatura)[muestreo$Especies=="BAL_EDE" & muestreo$Anio==2019 & muestreo$Estacion=="LLUVIOSA" & muestreo$Sitio=="CR"]

abundancia_bal_ede_19_lluvia_cr<-(muestreo$Abundancia)[muestreo$Especies=="BAL_EDE" & muestreo$Anio==2019 & muestreo$Estacion=="LLUVIOSA" & muestreo$Sitio=="CR"]

temperatura_bal_phy_cr<-(muestreo$Temperatura)[muestreo$Especies=="BAL_PHY" & muestreo$Sitio=="CR"]

talla_bal_phy_cr<-(muestreo$Talla)[muestreo$Especies=="BAL_PHY" & muestreo$Sitio=="CR"]

temperatura_bal_phy_18_lluvia<-(muestreo$Temperatura)[muestreo$Especies=="BAL_PHY" & muestreo$Anio==2018 & muestreo$Estacion=="LLUVIOSA"]

salinidad_bal_phy_18_lluvia<-(muestreo$Salinidad)[muestreo$Especies=="BAL_PHY" & muestreo$Anio==2018 & muestreo$Estacion=="LLUVIOSA"]

#correlaciĆ³n---- 

# 1 correlaciĆ³n 
shapiro.test(temperatura_bal_ede_19_lluvia_cr)
## 
##  Shapiro-Wilk normality test
## 
## data:  temperatura_bal_ede_19_lluvia_cr
## W = 0.97629, p-value = 0.7208
shapiro.test(abundancia_bal_ede_19_lluvia_cr)
## 
##  Shapiro-Wilk normality test
## 
## data:  abundancia_bal_ede_19_lluvia_cr
## W = 0.9147, p-value = 0.01958
cor.test(abundancia_bal_ede_19_lluvia_cr,temperatura_bal_ede_19_lluvia_cr, method = "s") 
## Warning in cor.test.default(abundancia_bal_ede_19_lluvia_cr,
## temperatura_bal_ede_19_lluvia_cr, : Cannot compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  abundancia_bal_ede_19_lluvia_cr and temperatura_bal_ede_19_lluvia_cr
## S = 2791.2, p-value = 0.03886
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.3790399
0.3790399^2 #14.36%
## [1] 0.1436712
cor_abutem<-data.frame(temperatura_bal_ede_19_lluvia_cr,abundancia_bal_ede_19_lluvia_cr)
x<-cor(cor_abutem)

chart.Correlation(cor_abutem,method = "spearman")
## Warning in cor.test.default(as.numeric(x), as.numeric(y), method = method):
## Cannot compute exact p-value with ties

# 2 correlaciĆ³n 
shapiro.test(temperatura_bal_phy_cr)
## 
##  Shapiro-Wilk normality test
## 
## data:  temperatura_bal_phy_cr
## W = 0.91829, p-value = 1.919e-06
shapiro.test(talla_bal_phy_cr)
## 
##  Shapiro-Wilk normality test
## 
## data:  talla_bal_phy_cr
## W = 0.94724, p-value = 0.0001364
cor.test(talla_bal_phy_cr,temperatura_bal_phy_cr, method = "s") # tau 14
## Warning in cor.test.default(talla_bal_phy_cr, temperatura_bal_phy_cr, method =
## "s"): Cannot compute exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  talla_bal_phy_cr and temperatura_bal_phy_cr
## S = 227779, p-value = 0.02194
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.2090455
0.2090455^2 #4.37%
## [1] 0.04370002
cor_tallatem<-data.frame(talla_bal_phy_cr,temperatura_bal_phy_cr)
y<-cor(cor_tallatem)
chart.Correlation(cor_tallatem,method = "spearman")
## Warning in cor.test.default(as.numeric(x), as.numeric(y), method = method):
## Cannot compute exact p-value with ties

# 3 CorrelciĆ³n 

shapiro.test(temperatura_bal_phy_18_lluvia)
## 
##  Shapiro-Wilk normality test
## 
## data:  temperatura_bal_phy_18_lluvia
## W = 0.80501, p-value = 2.538e-11
shapiro.test(salinidad_bal_phy_18_lluvia)
## 
##  Shapiro-Wilk normality test
## 
## data:  salinidad_bal_phy_18_lluvia
## W = 0.97268, p-value = 0.01518
cor.test(salinidad_bal_phy_18_lluvia,temperatura_bal_phy_18_lluvia, method = "s")
## 
##  Spearman's rank correlation rho
## 
## data:  salinidad_bal_phy_18_lluvia and temperatura_bal_phy_18_lluvia
## S = 494070, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##      rho 
## -0.71564
-0.71564^2 # 51.21%
## [1] -0.5121406
cor_saltem<-data.frame(salinidad_bal_phy_18_lluvia,temperatura_bal_phy_18_lluvia)
z<-cor(cor_saltem)
chart.Correlation(cor_saltem, method = "spearman")