Caracterización de las poblaciones de cuatro especies Odontocetes en islas del Océano Pacífico
Andrea Phillips Valverde
03 de noviembre de 2020
Phillips, A., Rodríguez, S., Rojas, M.
Universidad Nacional de Costa Rica, Heredia, Costa Rica, Facultad de Ciencias Exactas y Naturales, Escuela de Ciencias Biologicas.
Resumen
Durante el 2018 y 2019 se evaluó la distribución poblacional y de tamaños de cuatro especies de odontocetos en estación seca y lluviosa en aguas del Océano Pacífico, específicamente en las Islas Guadalupe y Revillagigedo en México así como en la Isla del Coco en Costa Rica y Las Islas Galápagos en Ecuador. Además, se realizó un experimento para conocer la densidad promedio de las especies a diferentes profundidades por medio de marcas acústicas, tanto de día como de noche. Con el objetivo de caracterizar el hábitat, distribución y abundancia de Orcinus orca, Globicephala macrorhynchus, Kogia breviceps yPeponocephala electra en el Pacífico. Se encontró que Peponocephala electra disminuyó su abundancia en comparación con el resto que se mantuvo constante.
Palabras Clave:
Odontocetos, abundancia, Océano Pacífico, distribución poblacional, Orcinus orca, Globicephala macrorhynchus ,Kogia breviceps, Peponocephala electra
Introducción
Los Odontocetos o ballenas dentadas son un suborden de los cetáceos que incluye marsopas, delfines, zifios y cachalotes (Michaud, 2005). Los estudios sobre las poblaciones de éstos son importantes ya que desde el punto de vista ecológico los odontocetos son depredadores terciarios, por lo que su presencia refleja el estado de la red trófica del medio y nos da una aproximación del estado de salud del ecosistema (Gaskin, 1983) esto se debe a que cuando la comida es abundante, diferentes especies de odontocetos con dietas muy variadas pueden encontrarse juntas en el mismo hábitat (Selzer & Payne 1988; Gowans & Whitehead 1995). Además, como son depredadores activos con una alta capacidad de desplazamiento (Reeves et al., 2002) su distribución se relaciona con las características oceanográficas que permiten la agregación y persistencia de sus presas (Lusseau et al., 2004).
Por lo anterior este estudio pretende caracterizar cuatro especies de Odontocetos en cuatro sitios de muestreo en el océano pacifico así como su hábitat, al evaluar su distribución poblacional (espacial y temporal), comparando su abundancia según la estación y año en cada sitio de muestreo así como sus hábitos de profundidad según el momento del día para cada especie. Los odontocetos contemplados en este estudio son Orcinus orca (Linneaus, 1758), Globicephala macrorhynchus (Gray, 1846), Kogia breviceps (Blainville, 1838) y Peponocephala electra (Nishiwaki & Norris, 1966).
Orcinus orca u Orca puede llegar a medir hasta 8m en la etapa adulta, se distribuye en océanos y mares de todo el mundo,desde aguas árticas y antárticas, hasta aguas tropicales, prefiriendo las aguas templadas y frías en zonas cercanas a las costas (Dahlheim, 1981), su alimentación varía por temporada y región, se alimentan desde peces, cefalópodos y aves marinas, hasta mamíferos marinos. En las aguas templadas y tropicales del Pacífico los grupos están conformados por un máximo de 75 orcas y se estima que el 91% de las manadas poseen en promedio 10 individuos altamente sociales. (Heyning & Dahlheim, 1988). Globicephala macrorhynchus conocida como Ballena piloto tiene un tamaño promedio de 6m, se distribuye de forma general en aguas subtropicales y tropicales, pero también se puede encontrar en aguas templadas más frías (Thorne, L.H., et al., 2017), Es una especie de aguas oceánicas y costeras muy sociable, se alimentan de calamares, peces y pulpos de manera ocasional (Mintzer, V.J., et al., 2008). Por lo general se encuentran en grupos de 10 a 30 individuos (Téllez et al., 2014). Kogia breviceps también llamado cachalote pigmeo mide aproximadamente 3m de longitud, se encuentra en latitudes tropicales y templadas de todo el mundo, cuentan con una dieta muy variada que incluye cefalópodos, crustáceos y peces. Es una especie solitaria sin embargo se pueden encontrar en parejas o pequeños grupos (Bloodworth, B.E. & Odell, D.K., 2008). Peponocephala electra conocido como delfín cabeza de melón posee un promedio de 2.7m de longitud, habita en aguas tropicales y subtropicales (Perryman, W.L.; K. Danil, 2018), se alimenta de calamares, peces y algunos crustáceos (West, K. L.; et al., 2018). Por lo general se encuentran en manadas grandes de hasta 500 individuos (Thomas A. Jefferson & Nélio B. Barros, 1997).
Objetivos:
Objetivo General
Evaluar la distribución poblacional (espacial y temporal) de las especies Orcinus orca, Globicephala macrorhynchus, Kogia breviceps y Peponocephala electra en Isla Guadalupe, México (IGM), Isla Revillagedo, México (IR), Isla del Coco, Costa Rica (IC), Isla Galápagos, Ecuador (IGE).
Objetivos Especificos
Comparar la abundancia de cada especie según el sitio, la estación y el año.
Diferenciar los hábitos de profundidad según el momento del día para Orcinus orca y Globicephala macrorhynchus.
Correlacionar tanto temperatura y abundancia como salinidad y abundancia para conocer el hábitat de los odontocetos.
Conocer el cambio de las tallas de los odontocetos durante el 2018 y 2019.
Metodología
Zona de estudio: En el 2018 y 2019 se evaluó la distribución poblacional y de tamaños de las especies en estación seca y lluviosa en cuatro diferentes sitios de monitoreo en el Océano Pacífico. En el Océano Pacífico Norte el muestreo se realizó en dos islas con aguas templadas, la Isla Guadalupe, México (IGM) localizada 29°1′42″ N, 118°17′30″ W y el Archipiélago Revillagigedo, México (IR) localizado 18°49′17″ N, 112°45′50″ W, al que pertenecen la Isla Socorro, Isla Clarión, Isla San Benedicto e Isla Roca Partida. También se hizo un monitoreo en dos sitios con aguas tropicales, la Isla del Coco, Costa Rica (IC) localizada 5°31′0″ N, 87°4′0″ W y las Islas Galápagos, Ecuador (IGE) localizadas 0°40′0″ S, 90°33′0″ W.
Diseño experimental: En cada sitio se realizaron 10 transectos (A-J) de búsqueda con 30 KM cuadrados cada uno para detectar densidad, tallas, salinidad y temperatura, además, se hizo un experimento para conocer la densidad promedio de- Orcinus orca y Globicephala macrorhynchus, a 10m, 15m, 25m y 35m de profundidad por medio de marcas acústicas, tanto de día como de noche. La técnica de marcas acústicas consiste en un sistema de grabación formado por uno o varios hidrófonos, un amplificador, un preamplificador y un sistema de adquisición (González, R., Blanco, M. C., Adam, O., 2011). En un momento determinado durante la toma de datos se detiene el motor del barco y se introduce el hidrófono en el agua, el cual graba todo lo que ocurre al instante.
Análisis de datos: En el programa R se realizaron los siguientes análisis de datos: Primero se elaboraron tablas e histogramas de frecuencia de la abundancia de cada una de las especies. Mediante el modelo Binomial se determinó la probabilidad de encontrar mas de 3000 individuos de Orcinus orca en la estación lluviosa, la probabilidad de encontrar exactamente 3000 individuos de Globicephala macrorhynchus en la estación lluviosa, la probabilidad de encontrar al menos 400 individuos entre Kogia breviceps y Peponocephala electra en la estación seca. Se utilizó el modelo de distribución Normal para analizar los rangos de talla entre las especies. Se plantearon hipótesis sobre la existencia de una diferencia significativa en la abundancia de todas las especies entre el año 2018 y 2019, se realizó la misma prueba comparando la abundancia en la estación seca contra la estación lluviosa, ambas pruebas se realizaron mediante el Test de Wilcoxon al 95% de confianza. Se determinó la abundancia de las especies en cada año, después se realizó la prueba de Wilcoxon para comprobar la existencia de una diferencia significativa en la abundancia de Peponocephala electra de un año a otro, además, se efectuó una última prueba de Wilcoxon para comprobar la diferencia significativa de tallas entre las especies. Se utilizó la prueba de Chi cuadrado para averiguar las diferencias en la abundancia de cada especie por sitio de monitoreo, luego se empleó la misma prueba para analizar si la disminución de Peponocephala electra está asociada a la estación lluviosa del año 2018 y 2019. Se emplearon modelos de regresión lineal para la abundancia y la salinidad de cada una de las especies de la misma manera se repitió el procedimiento para analizar la relación entre la temperatura y la abundancia de estas. Adicionalmente se buscó una correlación entre la abundancia de las especies más grandes Orcinus orca y Globicephala macrorhynchus, Seguido se compararon las especies más pequeñas Kogia breviceps y Peponocephala electra, por último, la especie Orcinus orca y Peponocephala electra con el fin de descubrir si la abundancia de una especie afecta la abundancia de la otra, a cada una de ellas se les aplicó una prueba de normalidad con shapiro.test y los datos resultaron no ser normales por lo que se utilizó el método de Kendall para realizar la prueba, al mismo tiempo se realizó el modelo de regresión lineal para analizar si existía una relación entre la temperatura y salinidad de las especies. Finalmente se realizaron análisis de varianza para conocer la diferencia en las tallas de los individuos de un año respecto al otro y de la misma manera se analizaron las densidades de organismos durante el día y durante la noche en función de la profundidad.
Resultados
library(fdth)
library(lmtest)
library(car)
library(ggplot2)
library(PerformanceAnalytics)
library(outliers)
proyecbio<-read.table("Data/BD_Muestreo.txt",header = TRUE, dec = ".", sep ="\t" )
experimento<-read.table("Data/BD_Experimento.txt",header = TRUE, dec = ".", sep ="\t" )Distribuión de Frecuencia
Distribución de Frecuencia del total de individuos en el total de las cuatro islas
par(mfrow=c(2,2))
FreAbuORC <- (proyecbio$Abundancia[proyecbio$Especies=="ORC_ORC"])
length(FreAbuORC)#480## [1] 480sum(FreAbuORC)#3114## [1] 3114min(FreAbuORC)#1## [1] 1max(FreAbuORC)#12## [1] 12HistFreORC<-fdt(FreAbuORC,start = 0,end = 15,h=5)
HistFreORC## Class limits f rf rf(%) cf cf(%)
## [0,5) 159 0.33 33.12 159 33.12
## [5,10) 205 0.43 42.71 364 75.83
## [10,15) 116 0.24 24.17 480 100.00hist(FreAbuORC, main = "", col = c("gray40", " light blue", "gray23"), cex.lab = 1.5, cex.main = 1.5, labels = T, border = F, xlab = "Abundancia O.orca", ylab = "Frecuencia")
FreAbuKOG<-(proyecbio$Abundancia[proyecbio$Especies=="KOG_BRE"])
length(FreAbuKOG)## [1] 480min(FreAbuKOG)## [1] 1max(FreAbuKOG)## [1] 35HistFreKOG<-fdt(FreAbuKOG, start = 0, end = 40, h=12)
HistFreKOG## Class limits f rf rf(%) cf cf(%)
## [0,12) 157 0.33 32.71 157 32.71
## [12,24) 148 0.31 30.83 305 63.54
## [24,36) 175 0.36 36.46 480 100.00hist(FreAbuKOG, main = "" ,col = c("gray40", " light blue", "gray23"), cex.lab = 1.5, cex.main = 1.5, labels = T, border = F, xlab = "Abundancia K.breviceps", ylab = "Frecuencia")
FreAbuGLO<-(proyecbio$Abundancia[proyecbio$Especies=="GLO_MAC"])
length(FreAbuGLO)## [1] 480min(FreAbuGLO)## [1] 1max(FreAbuGLO)## [1] 10HistFreGLO<-fdt(FreAbuGLO, start = 0, end = 18, h=5)
HistFreGLO## Class limits f rf rf(%) cf cf(%)
## [0,5) 178 0.37 37.08 178 37.08
## [5,10) 262 0.55 54.58 440 91.67
## [10,15) 40 0.08 8.33 480 100.00hist(FreAbuGLO, main = "" , col = c("gray40", " light blue", "gray23"), cex.lab = 1.5, cex.main = 1.5, labels = T, border = F, xlab = "Abundancia G.macrorhynchus ", ylab = "Frecuencia")
FreAbuPEP <-(proyecbio$Abundancia[proyecbio$Especies=="PEP_ELE"])
length(FreAbuPEP )## [1] 480min(FreAbuPEP )## [1] 1max(FreAbuPEP )## [1] 40HistFrePEP<-fdt(FreAbuPEP , start = 0, end = 45, h=12)
HistFrePEP## Class limits f rf rf(%) cf cf(%)
## [0,12) 130 0.27 27.08 130 27.08
## [12,24) 156 0.32 32.50 286 59.58
## [24,36) 132 0.28 27.50 418 87.08hist(FreAbuPEP, main ="" , col = c("gray40", " light blue", "gray23"), cex.lab = 1.5, cex.main = 1.5, labels = T, border = F, xlab = "Abundancia P.electra", ylab = "Frecuencia")
Figura 1.Distribución de Frecuencia del total de individuos en el total de las cuatro islas
Distribución Binomial
- ¿Cuál es la probabilidad de encontrar más de 1000 individuos de Orcinus orca durante la estación lluviosa?
AbuORCllu<-na.omit(proyecbio$Abundancia[proyecbio$Estacion=="LLUVIOSA"][proyecbio$Especies=="ORC_ORC"])
AbuLluTot<-na.omit(proyecbio$Abundancia[proyecbio$Estacion=="LLUVIOSA"])
sum(AbuORCllu)#1523## [1] 1523sum(AbuLluTot)#12056## [1] 120561-pbinom(1000,12056,0.25)## [1] 1La probabilidad de encontrar más de 1000 individuos de Orcinus orca durante la estación lluviosa es del 100%
- ¿Cuál es la probabilidad de encontrar exactamente 3000 individuos de Globicephala macrorhynchus durante la estación lluviosa?
AbuGLOllu<-na.omit(proyecbio$Abundancia[proyecbio$Estacion=="LLUVIOSA"][proyecbio$Especies=="GLO_MAC"])
sum(AbuGLOllu)#1330## [1] 1330dbinom(3000,12056,0.25)## [1] 0.008046782La probabilidad de encontrar exactamente 3000 individuos de Globicephala macrorhynchus durante la estación lluviosa es de 0.80%.
- ¿Cuál es la probabilidad de encontrar al menos 6000 individuos entre las especies Kogia breviceps y Peponocephala electra durante la estación seca?
AbuKOGsec<-na.omit(proyecbio$Abundancia[proyecbio$Estacion=="SECA"][proyecbio$Especies=="KOG_BRE"])
AbuPEPsec<-na.omit(proyecbio$Abundancia[proyecbio$Estacion=="SECA"][proyecbio$Especies=="PEP_ELE"])
AbuSecTotal<-na.omit(proyecbio$Abundancia[proyecbio$Estacion=="SECA"])
sum(AbuKOGsec)#4387## [1] 4387sum(AbuPEPsec)#4712## [1] 4712sum(AbuSecTotal)#11998## [1] 119981-pbinom(6000,11998,0.50)## [1] 0.489075La probabilidad de encontrar al menos 6000 individuos entre las especies Kogia breviceps y Peponocephala electra durante la estación seca es de 48.9075%.
Distribución Normal
Asumiendo que la información entregada corresponde a los datos de la población conocida de cada especie, se calcularon diversas probabilidades de obtener la abundancia o talla específica a partir de la base de datos.
- En 24054 individuos la media de las tallas de las especies es de 467.451 y la desviación estándar de 193.176 suponiendo que los datos son normales. encontrar ¿Cuantos individuos se encontrar entre las tallas de 200 a 600?
sum(proyecbio$Abundancia)## [1] 24054DFTalla<-fdt(proyecbio$Talla)
DFTalla## Class limits f rf rf(%) cf cf(%)
## [178.2,229.84) 177 0.09 9.22 177 9.22
## [229.84,281.48) 217 0.11 11.30 394 20.52
## [281.48,333.12) 357 0.19 18.59 751 39.11
## [333.12,384.77) 209 0.11 10.89 960 50.00
## [384.77,436.41) 0 0.00 0.00 960 50.00
## [436.41,488.05) 17 0.01 0.89 977 50.89
## [488.05,539.69) 85 0.04 4.43 1062 55.31
## [539.69,591.33) 144 0.07 7.50 1206 62.81
## [591.33,642.98) 200 0.10 10.42 1406 73.23
## [642.98,694.62) 199 0.10 10.36 1605 83.59
## [694.62,746.26) 206 0.11 10.73 1811 94.32
## [746.26,797.9) 109 0.06 5.68 1920 100.00mean(proyecbio$Talla)## [1] 467.451sd(proyecbio$Talla)## [1] 193.1765pnorm(600,467.451,193.176)-pnorm(200,425,193.176)## [1] 0.63163090.6316309*24054#15193.25## [1] 15193.25Se encuentran 15193 individuos entre las tallas de 200cm a 600cm.
- Se tiene una población de Orcinus orca con 3114 individuos, que tienen una media en sus tallas de es de 682.85cm, con una desviación estándar de 63.12706. ¿Cantos individuos de Orcinus orcas se encuentra dentro de las medidas 570cm y 750cm?
mean(proyecbio$Talla[proyecbio$Especies=="ORC_ORC"])## [1] 682.85sd(proyecbio$Talla[proyecbio$Especies=="ORC_ORC"])## [1] 63.12706sum(proyecbio$Abundancia[proyecbio$Especies=="ORC_ORC"])## [1] 3114TallasORC<-fdt(proyecbio$Talla[proyecbio$Especies=="ORC_ORC"])
pnorm(750,682.85,63.12706)-pnorm(570,685.85,63.12706)## [1] 0.8230350.823035*3114#2562.931## [1] 2562.931Hay 2562.931 individuos de Orcinus orca que se encuentra dentro de las medidas 570cm y 750cm
- ¿Cuál es la probabilidad de que algun individuo de Orcinus orca mida exactamente 670cm de largo?
pnorm(670,682.85,63.12706)*2 # 0.8386991## [1] 0.83869910.8386991*100## [1] 83.86991La probabilidad de que algún individuo de la especie Orcinus orca mida exactamente 670cm de largo es de 83.86991%
- De una población de 8562 individuos de la especie Kogia Breviceps, se tiene que la media de las tallas es de 328.9583cm, con una desviación estándar de 23.09213.¿Cuantos individuos se encontrarían entre 300cm y 350cm?
mean(proyecbio$Talla[proyecbio$Especies=="KOG_BRE"])## [1] 328.9583sd(proyecbio$Talla[proyecbio$Especies=="KOG_BRE"])## [1] 23.09213sum(proyecbio$Abundancia[proyecbio$Especies=="KOG_BRE"])## [1] 8562tallaKOG_BRE<-fdt(proyecbio$Talla[proyecbio$Especies=="KOG_BRE"])
tallaKOG_BRE## Class limits f rf rf(%) cf cf(%)
## [287.1,295.76) 34 0.07 7.08 34 7.08
## [295.76,304.42) 64 0.13 13.33 98 20.42
## [304.42,313.08) 50 0.10 10.42 148 30.83
## [313.08,321.74) 52 0.11 10.83 200 41.67
## [321.74,330.4) 51 0.11 10.62 251 52.29
## [330.4,339.06) 55 0.11 11.46 306 63.75
## [339.06,347.72) 45 0.09 9.38 351 73.12
## [347.72,356.38) 52 0.11 10.83 403 83.96
## [356.38,365.04) 50 0.10 10.42 453 94.38
## [365.04,373.7) 27 0.06 5.62 480 100.00pnorm(350,328.9583,23.09213)-pnorm(300,328.9583,23.09213)## [1] 0.71399180.7139918*8562## [1] 6113.198Existen 6113.198 individuos deKogia Breviceps que se encuentran entre 300cm y 350cm de largo.
- De una población de 9740 individuos de Peponocephala electra cual es la probabilidad de encontrar individuos de tallas mayores a 250cm.
mean(proyecbio$Talla[proyecbio$Especies=="PEP_ELE"])## [1] 243.5312sd(proyecbio$Talla[proyecbio$Especies=="PEP_ELE"])## [1] 35.05592sum(proyecbio$Abundancia[proyecbio$Especies=="PEP_ELE"])## [1] 9740TallaPEP<-fdt(proyecbio$Talla[proyecbio$Especies=="PEP_ELE"])
TallaPEP## Class limits f rf rf(%) cf cf(%)
## [178,191) 39 0.08 8.12 39 8.12
## [191,203) 53 0.11 11.04 92 19.17
## [203,216) 38 0.08 7.92 130 27.08
## [216,228) 43 0.09 8.96 173 36.04
## [228,241) 42 0.09 8.75 215 44.79
## [241,253) 53 0.11 11.04 268 55.83
## [253,266) 59 0.12 12.29 327 68.12
## [266,278) 54 0.11 11.25 381 79.38
## [278,291) 48 0.10 10.00 429 89.38
## [291,303) 51 0.11 10.62 480 100.001-pnorm(250,243.5312,35.05592)## [1] 0.42679960.4267996*100## [1] 42.67996La probabilidad de encontrar individuos con tallas mayores a 250cm es de 42.67996%
- En una población de 2638 individuos de Globicephala macrorhynchus.¿Cuál es la probabilidad de encontrar individuos con tallas menores a 700cm?
mean(proyecbio$Talla[proyecbio$Especies=="GLO_MAC"])## [1] 614.4646sd(proyecbio$Talla[proyecbio$Especies=="GLO_MAC"])## [1] 78.34887sum(proyecbio$Abundancia[proyecbio$Especies=="GLO_MAC"])## [1] 2638TallaGLO<-fdt(proyecbio$Talla[proyecbio$Especies=="GLO_MAC"])
TallaGLO## Class limits f rf rf(%) cf cf(%)
## [475.2,503.43) 43 0.09 8.96 43 8.96
## [503.43,531.66) 47 0.10 9.79 90 18.75
## [531.66,559.89) 52 0.11 10.83 142 29.58
## [559.89,588.12) 56 0.12 11.67 198 41.25
## [588.12,616.35) 45 0.09 9.38 243 50.62
## [616.35,644.58) 52 0.11 10.83 295 61.46
## [644.58,672.81) 53 0.11 11.04 348 72.50
## [672.81,701.04) 40 0.08 8.33 388 80.83
## [701.04,729.27) 59 0.12 12.29 447 93.12
## [729.27,757.5) 33 0.07 6.88 480 100.00pnorm(700,614.4646,78.34887)## [1] 0.86252290.8625229*100## [1] 86.25229La probabilidad de encontrar individuos de la especie Globicephala macrorhynchus con tallas menores a 700cm es de un 86.25229%.
Pruebas de Hipótesis
- ¿El número de individuos presentes en el año 2018 es semejante al número de organismos presentes en el 2019 al 95% de confianza?.
todas2018<- (na.omit(proyecbio$Abundancia)[proyecbio$Anio==2018])
todas2019<- na.omit(proyecbio$Abundancia [proyecbio$Anio==2019])
sum(todas2018)## [1] 12493sum(todas2019)## [1] 11561shapiro.test(todas2018)#p-value < 2.2e-16##
## Shapiro-Wilk normality test
##
## data: todas2018
## W = 0.86646, p-value < 2.2e-16shapiro.test(todas2019)#p-value < 2.2e-16##
## Shapiro-Wilk normality test
##
## data: todas2019
## W = 0.86583, p-value < 2.2e-16#NO SON NORMALES
wilcox.test(todas2018,todas2019,alternative = "t", conf.level= 0.95)#p-value = 0.05395##
## Wilcoxon rank sum test with continuity correction
##
## data: todas2018 and todas2019
## W = 484182, p-value = 0.05395
## alternative hypothesis: true location shift is not equal to 0boxplot(todas2018, todas2019, names =c("2018","2019") , main="", ylab="Abundancia", xlab="Año")
Figura2.Presencia de odontosetos según el año
No existe diferencia en la abundancia de odontocetos presentes en las islas ente el año 2018 y el 2019 (p-value=0.05395, W = 484182).
- ¿Existe diferencia entre la abundancia de especies de odontocetos presentes en las islas seún la estación lluviosa y la seca al 95% de confianza?.
todaslluvi<- na.omit(proyecbio$Abundancia [proyecbio$Estacion=="LLUVIOSA"])
todasseca<- na.omit(proyecbio$Abundancia [proyecbio$Estacion=="SECA"])
sum(todasseca)## [1] 11998sum(todaslluvi)## [1] 12056shapiro.test(todaslluvi)##
## Shapiro-Wilk normality test
##
## data: todaslluvi
## W = 0.86015, p-value < 2.2e-16shapiro.test(todasseca)##
## Shapiro-Wilk normality test
##
## data: todasseca
## W = 0.87138, p-value < 2.2e-16# LOS DATOS NO SON NORMALES
wilcox.test(todaslluvi,todasseca,alternative = "t",conf.level = 0.95, exact = F)##
## Wilcoxon rank sum test with continuity correction
##
## data: todaslluvi and todasseca
## W = 456847, p-value = 0.7446
## alternative hypothesis: true location shift is not equal to 0boxplot(todaslluvi, todasseca, names =c("Estación Lluviosa","Estación Seca") , main="", ylab="Abundancia" )
Figura 3. Presencia de odontoceto según la estación
No hay diferencia en la abundancia de odontocetos para la estación seca y lluviosa al 95% de confianza (W = 456847, p-value = 0.7446).
- ¿Existe diferencia en la abundancia de P.electra para el año 2018 y 2019?
electra2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Especies=="PEP_ELE"])
orca2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Especies=="ORC_ORC"])
globi2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Especies=="GLO_MAC"])
kogia2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Especies=="KOG_BRE"])
sum(electra2018)## [1] 5129sum(orca2018)## [1] 1622sum(globi2018)## [1] 1326sum(kogia2018)## [1] 4416electra2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Especies=="PEP_ELE"])
orca2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Especies=="ORC_ORC"])
globi2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Especies=="GLO_MAC"])
kogia2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Especies=="KOG_BRE"])
sum(electra2019)## [1] 4611sum(orca2019)## [1] 1492sum(globi2019)## [1] 1312sum(kogia2019)## [1] 4146electra2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Especies=="PEP_ELE"])
electra2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Especies=="PEP_ELE"])
shapiro.test(electra2018)##
## Shapiro-Wilk normality test
##
## data: electra2018
## W = 0.95099, p-value = 3.029e-07shapiro.test(electra2019)##
## Shapiro-Wilk normality test
##
## data: electra2019
## W = 0.96034, p-value = 3.424e-06#los datos no son normales usamos wilcox
wilcox.test(electra2018,electra2019,alternative = "t",conf.level = 0.95, exact = F)##
## Wilcoxon rank sum test with continuity correction
##
## data: electra2018 and electra2019
## W = 32021, p-value = 0.03398
## alternative hypothesis: true location shift is not equal to 0boxplot(electra2018, electra2019, names =c("2018","2019") , main="", xlab="Año", ylab="Abundancia")
Figura 4. Presencia de P.electra según el año.
Existe una disminución en la abundancia de P.electra del 2019 respecto al 2018, medido al 95% de confianza (W = 32021, p-value = 0.03398).
- ¿Existe diferencia entre las tallas de todos los individuos?
tallas<-proyecbio$Talla
shapiro.test(tallas)#no son normales##
## Shapiro-Wilk normality test
##
## data: tallas
## W = 0.88941, p-value < 2.2e-16wilcox.test( tallas, alternative = "t", paired = F, conf.level = 0.95) ##
## Wilcoxon signed rank test with continuity correction
##
## data: tallas
## V = 1844160, p-value < 2.2e-16
## alternative hypothesis: true location is not equal to 0hist(tallas ,col = c("gray", " light blue", "gray40"),main= "",xlab = "Tallas(cm)", ylab = "Frecuencia")
Figura 5. Comparación de las tallas de los individuos
Existe una diferencia de las tallas de los individuos de todas las especies medido al 95% de confianza (V = 1844160, p-value < 2.2e-16).
- ¿Existe diferencia entre las abundancia de las especies a lo largo de dos años?
abundancia00<-proyecbio$Abundancia
shapiro.test(abundancia00)# no son normales##
## Shapiro-Wilk normality test
##
## data: abundancia00
## W = 0.86618, p-value < 2.2e-16wilcox.test( abundancia00, alternative = "t", paired = F, conf.level = 0.95)##
## Wilcoxon signed rank test with continuity correction
##
## data: abundancia00
## V = 1844160, p-value < 2.2e-16
## alternative hypothesis: true location is not equal to 0Si hay una diferencia en la abundancia de las especies a lo largo de dos años (V = 1844160, p-value < 2.2e-16)
Chi Cuadrado
- Se desea conocer la abundancia de odontocetos presentes en cada sitio durante 2018 y 2019.
# Orcinus orca
Orcinusorca1 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGM"][proyecbio$Especies=="ORC_ORC"])
Orcinusorca2 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IR"][proyecbio$Especies=="ORC_ORC"])
Orcinusorca3 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IC"][proyecbio$Especies=="ORC_ORC"])
Orcinusorca4 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGE"][proyecbio$Especies=="ORC_ORC"])
orca1<-sum(Orcinusorca1 )
orca2<-sum(Orcinusorca2 )
orca3<-sum(Orcinusorca3)
orca4<-sum(Orcinusorca4 )
#Globicephala macrorhynchus
Globicephalamacrorhynchus1 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGM"][proyecbio$Especies=="GLO_MAC"])
Globicephalamacrorhynchus2 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IR"][proyecbio$Especies=="GLO_MAC"])
Globicephalamacrorhynchus3 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IC"][proyecbio$Especies=="GLO_MAC"])
Globicephalamacrorhynchus4 <-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGE"][proyecbio$Especies=="GLO_MAC"])
globi1<-sum(Globicephalamacrorhynchus1)
globi2<-sum(Globicephalamacrorhynchus2)
globi3<-sum(Globicephalamacrorhynchus3)
globi4<-sum(Globicephalamacrorhynchus4)
#Kogia breviceps
Kogiabreviceps1<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGM"][proyecbio$Especies=="KOG_BRE"])
Kogiabreviceps2<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IR"][proyecbio$Especies=="KOG_BRE"])
Kogiabreviceps3<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IC"][proyecbio$Especies=="KOG_BRE"])
Kogiabreviceps4<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGE"][proyecbio$Especies=="KOG_BRE"])
kogia1<-sum(Kogiabreviceps1)
kogia2<-sum(Kogiabreviceps2)
Kogia3<-sum(Kogiabreviceps3)
kogia4<-sum(Kogiabreviceps4)
#Peptenocephala electra
Peponocephalaelectra1<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGM"][proyecbio$Especies=="PEP_ELE"])
Peponocephalaelectra2<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IR"][proyecbio$Especies=="PEP_ELE"])
Peponocephalaelectra3<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IC"][proyecbio$Especies=="PEP_ELE"])
Peponocephalaelectra4<-na.omit(proyecbio$Abundancia[proyecbio$Sitio=="IGE"][proyecbio$Especies=="PEP_ELE"])
pep1<-sum(Peponocephalaelectra1)
pep2<-sum(Peponocephalaelectra2)
pep3<-sum(Peponocephalaelectra3)
pep4<-sum(Peponocephalaelectra4)OrcinusOrca<-c(780,832,722,780)
globicephalamacrorhynchuS<-c(667,637,670,664)
KOgiabreviceps<-c(2063,2154,2213,2233)
Pepocephalaelectra<-c(2279,2563,2533,2365)
abuespecies<-data.frame(OrcinusOrca,globicephalamacrorhynchuS,KOgiabreviceps,Pepocephalaelectra)
row.names(abuespecies)<-c("isla guadalupe M.","Isla revillagedo M.","Isla del Coco","Isla Galapagos E.")
chisq.test(abuespecies)#X-squared = 23.91, df = 9, p-value = 0.004445##
## Pearson's Chi-squared test
##
## data: abuespecies
## X-squared = 23.91, df = 9, p-value = 0.004445qchisq(0.95,9)#16.91898## [1] 16.91898La abundancia de cada especie varía para cada sitio (X-squared = 23.91, df = 9, p-value = 0.004445)
- .
pepeseca2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Estacion=="SECA"][proyecbio$Especies=="PEP_ELE"])
pepseca2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Estacion=="SECA"][proyecbio$Especies=="PEP_ELE"])
peplluvi2018<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2018][proyecbio$Estacion=="LLUVIOSA"][proyecbio$Especies=="PEP_ELE"])
peplluvi2019<-na.omit(proyecbio$Abundancia[proyecbio$Anio==2019][proyecbio$Estacion=="LLUVIOSA"][proyecbio$Especies=="PEP_ELE"])
sum(pepeseca2018)## [1] 2396sum(pepseca2019)## [1] 2316sum(peplluvi2018)## [1] 2733sum(peplluvi2019)## [1] 2295shapiro.test(peplluvi2018)##
## Shapiro-Wilk normality test
##
## data: peplluvi2018
## W = 0.94855, p-value = 0.0001695shapiro.test(peplluvi2019)##
## Shapiro-Wilk normality test
##
## data: peplluvi2019
## W = 0.95321, p-value = 0.0003748# los datos no son normales
elellu2018<-sum(peplluvi2018)
elellu2019<-sum(peplluvi2019)
estacion<-data.frame(elellu2018,elellu2019)
row.names(estacion)<-"Pepocephalaelectra"
(2733+2295)/2 #2514 valor esperado ## [1] 2514#x2=
((2733-2514)-0.5)^2/2514 #18.99055## [1] 18.99055#x2=
((2295-2514)-0.5)^2/2514#19.16478## [1] 19.16478#chi=
18.99055+19.16478 # chi calculado es de 38.15533## [1] 38.15533qchisq(0.95,1)# chi teorico 3.841459## [1] 3.841459
La estaci[on lluviosa está asociada con la disminución en la abundancia de P.electra, al 95% de confianza.
Regreción Lineal
Los resultados de los modelos de regresión lineal se obtuvieron utilizando como variables independientes la temperatura y la salinidad y como variable dependiente la abundancia de cada una de las especies. También se analizó en un modelo de regresión lineal la salinidad en función de la temperatura.
Abundancia de Orcinus orca en función de la temperatura
ORCtem<-na.omit(proyecbio$Temperatura)[proyecbio$Especies=="ORC_ORC"]
ORCabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="ORC_ORC"]
ORCAbuTem<-data.frame(ORCabu,ORCtem)
ORClmAbuTem<-lm(ORCabu~ORCtem,data=ORCAbuTem)
summary(ORClmAbuTem)##
## Call:
## lm(formula = ORCabu ~ ORCtem, data = ORCAbuTem)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.8234 -2.6296 -0.3064 2.6979 5.7260
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.03437 1.51888 5.290 1.87e-07 ***
## ORCtem -0.06654 0.06500 -1.024 0.307
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.359 on 478 degrees of freedom
## Multiple R-squared: 0.002187, Adjusted R-squared: 9.994e-05
## F-statistic: 1.048 on 1 and 478 DF, p-value: 0.3065# (Intercept) 8.03437
# ORCtem -0.06654
# R-squared: 0.002187
# p-value: 0.3065
#
dwtest(lm(ORCabu~ORCtem))#1.99##
## Durbin-Watson test
##
## data: lm(ORCabu ~ ORCtem)
## DW = 1.9961, p-value = 0.4655
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(ORClmAbuTem$residuals)#p-value = 7.293e-11##
## Shapiro-Wilk normality test
##
## data: ORClmAbuTem$residuals
## W = 0.95541, p-value = 7.293e-11ncvTest(ORClmAbuTem)#p = 0.16132## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 1.961848, Df = 1, p = 0.16132ggplot(ORClmAbuTem, aes(x=ORCtem, y=ORCabu )) +
geom_point(shape=1) +
geom_smooth(method=lm)+
labs(x="Temperatura (C°)", y="Abundancia O. orca")## `geom_smooth()` using formula 'y ~ x'
Figura 6.Modelo lineal de la abundancia de la especie Orcinus orca en función de la temperatura.
Abundancia de Globiceplala macrorhyncus en función de la temperatura
GLOtem<-na.omit(proyecbio$Temperatura)[proyecbio$Especies=="GLO_MAC"]
GLOabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="GLO_MAC"]
GLOAbuTem<-data.frame(GLOabu,GLOtem)
GLOlmAbuTem<-lm(GLOabu~GLOtem, data=GLOAbuTem)
summary(GLOlmAbuTem)##
## Call:
## lm(formula = GLOabu ~ GLOtem, data = GLOAbuTem)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.5700 -2.4829 0.4514 2.4842 4.5457
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.82315 1.24857 4.664 4.03e-06 ***
## GLOtem -0.01406 0.05335 -0.263 0.792
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.733 on 478 degrees of freedom
## Multiple R-squared: 0.0001452, Adjusted R-squared: -0.001947
## F-statistic: 0.06942 on 1 and 478 DF, p-value: 0.7923#Intercept 5.82315
#GLOtem -0.01406
#R-squared: 0.0001452
# p-value: 0.7923
dwtest(lm(GLOabu~GLOtem))#DW = 2.0979##
## Durbin-Watson test
##
## data: lm(GLOabu ~ GLOtem)
## DW = 2.0979, p-value = 0.8489
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(GLOlmAbuTem$residuals)#p-value = 1.491e-11##
## Shapiro-Wilk normality test
##
## data: GLOlmAbuTem$residuals
## W = 0.95076, p-value = 1.491e-11ncvTest(GLOlmAbuTem)# p = 0.84443## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.0385087, Df = 1, p = 0.84443ggplot(GLOlmAbuTem, aes(x=GLOabu, y=GLOtem)) +
geom_point(shape=1) +
geom_smooth(method=lm)+
labs(x="Temperatura (C°)", y="Abundancia G.macrorhyncus")## `geom_smooth()` using formula 'y ~ x'
Figura 7.Modelo lineal de la abundancia de la especie Globicephala macrorhyncus en función de la temperatura.
Abundancia de Kogia breviceps en función de la temperatura
KOGtem<-na.omit(proyecbio$Temperatura)[proyecbio$Especies=="KOG_BRE"]
KOGabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="KOG_BRE"]
KOGAbuTem<-data.frame(KOGabu,KOGtem)
KOGlmAbuTem<-lm(KOGabu~KOGtem,data=KOGAbuTem)
summary(KOGlmAbuTem)##
## Call:
## lm(formula = KOGabu ~ KOGtem, data = KOGAbuTem)
##
## Residuals:
## Min 1Q Median 3Q Max
## -16.9973 -8.8470 -0.6818 9.0760 17.4721
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 16.51887 4.62515 3.572 0.000391 ***
## KOGtem 0.05675 0.19803 0.287 0.774566
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 10.25 on 478 degrees of freedom
## Multiple R-squared: 0.0001718, Adjusted R-squared: -0.00192
## F-statistic: 0.08212 on 1 and 478 DF, p-value: 0.7746#(Intercept) 16.51887
#KOGtem 0.05675
#R-squared: 0.0001718
#p-value: 0.7746
dwtest(lm(KOGabu~KOGtem))#DW = 2.0307##
## Durbin-Watson test
##
## data: lm(KOGabu ~ KOGtem)
## DW = 2.0307, p-value = 0.6153
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(KOGlmAbuTem$residuals)# p-value = 1.447e-11##
## Shapiro-Wilk normality test
##
## data: KOGlmAbuTem$residuals
## W = 0.95067, p-value = 1.447e-11ncvTest(KOGlmAbuTem)#p = 0.28879## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 1.125262, Df = 1, p = 0.28879ggplot(KOGlmAbuTem, aes(x=KOGtem, y=KOGabu)) +
geom_point(shape=1) + # genera circulos en el grafico
geom_smooth(method=lm)+
labs(x="Temperatura (C°)", y="Abundancia K.breviceps")## `geom_smooth()` using formula 'y ~ x'
Figura 8.Modelo lineal de la abundancia de la especie Kogia breviceps en función de la temperatura.
Abundancia de Peponocephala electra en función de la temperatura
PEPtem<-na.omit(proyecbio$Temperatura)[proyecbio$Especies=="PEP_ELE"]
PEPabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="PEP_ELE"]
PEPAbuTem<-data.frame(PEPabu,PEPtem)
PEPlmAbuTem<-lm(PEPabu~PEPtem,data=PEPAbuTem)
summary(PEPlmAbuTem)##
## Call:
## lm(formula = PEPabu ~ PEPtem, data = PEPAbuTem)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20.4829 -9.7663 0.2352 9.0507 21.1795
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.9202 5.0411 2.166 0.0308 *
## PEPtem 0.4030 0.2157 1.869 0.0623 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.27 on 478 degrees of freedom
## Multiple R-squared: 0.007253, Adjusted R-squared: 0.005176
## F-statistic: 3.492 on 1 and 478 DF, p-value: 0.06226#(Intercept) 10.9202
#PEPtem 0.4030
#R-squared: 0.007253
#p-value: 0.06226
dwtest(lm(PEPabu~PEPtem))#DW = 1.8506##
## Durbin-Watson test
##
## data: lm(PEPabu ~ PEPtem)
## DW = 1.8506, p-value = 0.04611
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(PEPlmAbuTem$residuals)# p-value=7.844e-10##
## Shapiro-Wilk normality test
##
## data: PEPlmAbuTem$residuals
## W = 0.96182, p-value = 7.844e-10ncvTest(PEPlmAbuTem)#p = 0.54434## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.3675565, Df = 1, p = 0.54434ggplot(PEPlmAbuTem, aes(x=PEPtem, y=PEPabu)) +
geom_point(shape=1) + # genera circulos en el grafico
geom_smooth(method=lm)+
labs(x="Temperatura (C°)", y="Abundancia P.electra")## `geom_smooth()` using formula 'y ~ x'
Figura 9.Modelo lineal de la abundancia de la especie Peponocephala electra en función de la temperatura.
Las figuras de la 1 a la 4, posees un p-value>0.05 y valore de R2 < 0.007253 por lo que los modelos lineales de abundancia en función de la temperatura no son significativos para las especies Orcinus orca (y= -0.06654x + 8.03437), Globicephala macrorhynchus (y= -0.01406x + 5.82315), Kogia breviceps (y= 0.05675x + 16.51887) y Peponocephala electra (y= 0.4030x+ 10.9202). Lo que se ve fundamentado por el hecho de que son animales que habitan desde los trópicos hasta los subpolos.A execpción de Peponocephala electra la cual, puede llegar a encontrarse en regiones subtropicales de hasta 15°C, demostrando estar capacitados para vivir en diversos rangos de temperatura. (Heckel, Ruiz Mar, Schramm, & Gorter, 2018).
Abundancia de Orcinus orca en función de la salinidad
ORCsal<-na.omit(proyecbio$Salinidad)[proyecbio$Especies=="ORC_ORC"]
ORCabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="ORC_ORC"]
ORCAbuSal<-data.frame(ORCabu,ORCsal)
ORClmAbuSal<-lm(ORCabu~ORCsal,data=ORCAbuSal)
summary(ORClmAbuSal)##
## Call:
## lm(formula = ORCabu ~ ORCsal, data = ORCAbuSal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.5670 -2.5381 -0.4493 2.5719 5.6030
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 8.08095 6.12459 1.319 0.188
## ORCsal -0.04488 0.17244 -0.260 0.795
##
## Residual standard error: 3.362 on 478 degrees of freedom
## Multiple R-squared: 0.0001417, Adjusted R-squared: -0.00195
## F-statistic: 0.06773 on 1 and 478 DF, p-value: 0.7948#(Intercept) 8.08095
#ORCsal -0.04488
#R-squared: 0.0001417
#p-value: 0.7948
dwtest(lm(ORCabu~ORCsal))#DW = 1.9929##
## Durbin-Watson test
##
## data: lm(ORCabu ~ ORCsal)
## DW = 1.9929, p-value = 0.4535
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(ORClmAbuSal$residuals)#p-value = 8.188e-12##
## Shapiro-Wilk normality test
##
## data: ORClmAbuSal$residuals
## W = 0.94893, p-value = 8.188e-12ncvTest(ORClmAbuSal)#p = 0.24567## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 1.347785, Df = 1, p = 0.24567ggplot(ORClmAbuSal, aes(x=ORCsal, y=ORCabu )) +
geom_point(shape=1) +
geom_smooth(method=lm)+
labs(x="Salinidad", y="Abundancia")## `geom_smooth()` using formula 'y ~ x'
Figura 10. Modelo lineal de la abundancia de Orcinus orca en función de la salinidad.
Abundancia de Globicephala macrorhyncus en función de la salinidad
GLOsal<-na.omit(proyecbio$Salinidad)[proyecbio$Especies=="GLO_MAC"]
GLOabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="GLO_MAC"]
GLOAbuSal<-data.frame(GLOabu,GLOtem)
GLOlmAbuSal<-lm(GLOabu~GLOsal, data=GLOAbuSal)
summary(GLOlmAbuSal)##
## Call:
## lm(formula = GLOabu ~ GLOsal, data = GLOAbuSal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.719 -2.427 0.327 2.397 4.793
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.2752 4.8296 0.057 0.955
## GLOsal 0.1471 0.1360 1.081 0.280
##
## Residual standard error: 2.73 on 478 degrees of freedom
## Multiple R-squared: 0.00244, Adjusted R-squared: 0.0003532
## F-statistic: 1.169 on 1 and 478 DF, p-value: 0.2801#(Intercept) 0.2752
#GLOsal 0.1471
#R-squared: 0.00244
#p-value: 0.2801
dwtest(lm(GLOabu~GLOsal))#DW = 2.0948 ##
## Durbin-Watson test
##
## data: lm(GLOabu ~ GLOsal)
## DW = 2.0948, p-value = 0.8416
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(GLOlmAbuSal$residuals)#p-value = 2.229e-10##
## Shapiro-Wilk normality test
##
## data: GLOlmAbuSal$residuals
## W = 0.9585, p-value = 2.229e-10ncvTest(GLOlmAbuSal)# p = 0.7335 ## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.1159264, Df = 1, p = 0.7335ggplot(GLOlmAbuSal, aes(x=GLOabu, y=GLOsal)) +
geom_point(shape=1) +
geom_smooth(method=lm)+
labs(x="Salinidad", y="Abundancia")## `geom_smooth()` using formula 'y ~ x'
Figura 11. Modelo lineal de la abundancia de Globicephala macrorhyncus en función de la salinidad.
Abundancia de Kogia breviceps en función de la salinidad
KOGsal<-na.omit(proyecbio$Salinidad)[proyecbio$Especies=="KOG_BRE"]
KOGabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="KOG_BRE"]
KOGAbuSal<-data.frame(KOGabu,KOGsal)
KOGlmAbuSal<-lm(KOGabu~KOGsal,data=KOGAbuSal)
summary(KOGlmAbuSal)##
## Call:
## lm(formula = KOGabu ~ KOGsal, data = KOGAbuSal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -17.1902 -8.6616 -0.6769 8.9540 17.7991
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.7313 18.3969 0.257 0.797
## KOGsal 0.3691 0.5180 0.713 0.476
##
## Residual standard error: 10.25 on 478 degrees of freedom
## Multiple R-squared: 0.001061, Adjusted R-squared: -0.001028
## F-statistic: 0.5079 on 1 and 478 DF, p-value: 0.4764#(Intercept) 4.7313
#KOGsal 0.3691
#p-value: 0.4764
#R-squared: 0.001061
dwtest(lm(KOGabu~KOGsal))#DW = 2.0291##
## Durbin-Watson test
##
## data: lm(KOGabu ~ KOGsal)
## DW = 2.0291, p-value = 0.6099
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(KOGlmAbuSal$residuals)# p-value = 2.627e-11##
## Shapiro-Wilk normality test
##
## data: KOGlmAbuSal$residuals
## W = 0.95245, p-value = 2.627e-11ncvTest(KOGlmAbuSal)#p = 0.85059## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.03548289, Df = 1, p = 0.85059ggplot(KOGlmAbuTem, aes(x=KOGsal, y=KOGabu)) +
geom_point(shape=1) +
geom_smooth(method=lm)+
labs(x="Salinidad", y="Abundancia")## `geom_smooth()` using formula 'y ~ x'
Figura 11. Modelo lineal de la abundancia de Kogia breviceps en función de la salinidad.
Abundancia de Peponocephala electra en función de la salinidad
PEPsal<-na.omit(proyecbio$Salinidad)[proyecbio$Especies=="PEP_ELE"]
PEPabu<-na.omit(proyecbio$Abundancia)[proyecbio$Especies=="PEP_ELE"]
PEPAbuSal<-data.frame(PEPabu,PEPsal)
PEPlmAbuSal<-lm(PEPabu~PEPsal,data=PEPAbuSal)
summary(PEPlmAbuSal)##
## Call:
## lm(formula = PEPabu ~ PEPsal, data = PEPAbuSal)
##
## Residuals:
## Min 1Q Median 3Q Max
## -20.401 -9.766 -0.004 9.427 20.614
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 46.2980 20.0348 2.311 0.0213 *
## PEPsal -0.7329 0.5644 -1.298 0.1947
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.3 on 478 degrees of freedom
## Multiple R-squared: 0.003515, Adjusted R-squared: 0.00143
## F-statistic: 1.686 on 1 and 478 DF, p-value: 0.1947#(Intercept) 46.2980
#PEPsal -0.7329
#R-squared: 0.003515
#p-value: 0.1947
dwtest(lm(PEPabu~PEPsal))#DW = 1.8506##
## Durbin-Watson test
##
## data: lm(PEPabu ~ PEPsal)
## DW = 1.8365, p-value = 0.0332
## alternative hypothesis: true autocorrelation is greater than 0shapiro.test(PEPlmAbuSal$residuals)# p-value=5.009e-10##
## Shapiro-Wilk normality test
##
## data: PEPlmAbuSal$residuals
## W = 0.96066, p-value = 5.009e-10ncvTest(PEPlmAbuSal)#p =p = 0.56726## Non-constant Variance Score Test
## Variance formula: ~ fitted.values
## Chisquare = 0.3272803, Df = 1, p = 0.56726ggplot(PEPlmAbuSal, aes(x=PEPsal, y=PEPabu)) +
geom_point(shape=1) + # genera circulos en el grafico
geom_smooth(method=lm)+
labs(x="Salinidad", y="Abundancia")## `geom_smooth()` using formula 'y ~ x'
Figura 12. Modelo lineal de la abundancia de Peponocephala electra en función de la salinidad.
Las figuras de la 5 a la 8, posees un p-value>0.1 y valores de R2 < 0.003515 por lo que los modelos lineales de la abundancia en función de la salinidad no son significativos para las especies Orcinus orca (y= -0.04488x + 8.08095), Globicephala macrorhynchus (y= 0.1471x + 0.2752), Kogia breviceps (y= 0.3691x+ 4.7313) y Peponocephala electra (y= -0.7329x + 46.2980). Lo que se ve fundamentado por los hábitos cosmopolitas de las cuatro especies, quienes son encontradas a variables distancias de las costas y variables profundidades donde los porcentajes de salinidad pueden fácilmente ser distintos unos de otros. (Heckel, Ruiz Mar, Schramm, & Gorter, 2018).
Debido a la ausencia de normalidad en los datos demostrada por la prueba de Shapiro(p<0.05), las pruebas de correlación se llevaron a cabo por el método de Kendall (tau).
Correlación
Correlación entre abundancia de Orcinus orca y Globicephala macrorhyncus.
ORCcor<-proyecbio$Abundancia[proyecbio$Especies=="ORC_ORC"]
GLOcor<-proyecbio$Abundancia[proyecbio$Especies=="GLO_MAC"]
shapiro.test(ORCcor)#p-value = 3.686e-12##
## Shapiro-Wilk normality test
##
## data: ORCcor
## W = 0.94642, p-value = 3.686e-12shapiro.test(GLOcor)# p-value = 5.873e-12##
## Shapiro-Wilk normality test
##
## data: GLOcor
## W = 0.94789, p-value = 5.873e-12cor.test(ORCcor,GLOcor, method = "kendall")##
## Kendall's rank correlation tau
##
## data: ORCcor and GLOcor
## z = -1.0321, p-value = 0.302
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
## tau
## -0.03438618#tau -0.03438618
#p-value = 0.302Correlación entre abundancia deOrcinus orca y Peponocephala electra.
ORCcor<-proyecbio$Abundancia[proyecbio$Especies=="ORC_ORC"]
PEPcor<-proyecbio$Abundancia[proyecbio$Especies=="PEP_ELE"]
shapiro.test(PEPcor)#p-value = 1.581e-10##
## Shapiro-Wilk normality test
##
## data: PEPcor
## W = 0.95756, p-value = 1.581e-10cor.test(ORCcor,PEPcor,method = "kendall")##
## Kendall's rank correlation tau
##
## data: ORCcor and PEPcor
## z = -1.3881, p-value = 0.1651
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
## tau
## -0.04464638#tau -0.04464638
#p-value = 0.1651Correlación entre abundancia de Peponocephala electra y Kogia breviceps.
KOGcor<-proyecbio$Abundancia[proyecbio$Especies=="KOG_BRE"]
PEPcor<-proyecbio$Abundancia[proyecbio$Especies=="PEP_ELE"]
shapiro.test(KOGcor)#p-value = 1.031e-11##
## Shapiro-Wilk normality test
##
## data: KOGcor
## W = 0.94964, p-value = 1.031e-11cor.test(KOGcor,PEPcor, method = "kendall")##
## Kendall's rank correlation tau
##
## data: KOGcor and PEPcor
## z = 0.49582, p-value = 0.62
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
## tau
## 0.0155537#tau 0.0155537
#p-value = 0.62corfinal <- data.frame(ORCcor,GLOcor,KOGcor,PEPcor)
chart.Correlation(corfinal, method = "kendall")
Figura 13. Correlación de la abundancia de las especies Orcinus orca, Globicephala macrorhynchus, Kogia breviceps y Peponocephala electra.
La prueba de correlación entre Orcinus orca y Globicephala macrorhynchus dio como resultado que es una correlación no significativa y negativa débil, esto se debe a la ausencia de casos reportados de la depredación de Globicephala macrorhynchus sin embargo, esta especie puede ser una presa ocasional de Orcinus orca (Olson et al., 2008), lo cual podría explicar porque es una correlación negativa débil. Por otro lado, al analizar la correlación entre Orcinus orca y Peponocephala electra esta es negativa débil, por lo que cuando la abundancia de una especie aumenta la otra disminuye de una forma no significativa. Uno de los principales depredadores de Peponocephala electra es Orcinus orca, sin embargo, esto no se ve reflejado de forma significativa por los datos obtenidos en las zonas de muestreo (Bradford, A. L.; et al., 2017). La correlación entre Kogia breviceps y Peponocephala electra es positiva no significativa, esto es debido a que, aunque ambas poseen hábitos alimenticios similares, su distribución espacial es diferente, Peponocephala electra se distribuye en aguas tropicales y subtropicales (Perryman, W.L.; K. Danil, 2018) mientras que Kogia breviceps se encuentra en latitudes tropicales y templadas de todo el mundo (Bloodworth, B.E. & Odell, D.K., 2008).
Análisis de Varianza
str(experimento)## 'data.frame': 80 obs. of 4 variables:
## $ ESPECIE : chr "ORC_ORC" "ORC_ORC" "ORC_ORC" "ORC_ORC" ...
## $ Profundidad.m.: int 10 10 10 10 10 10 10 10 10 10 ...
## $ Densidad_dia : num 5.85 6.38 5.93 6.3 6.18 ...
## $ Densidad_noche: num 7.09 5.92 6.61 6.23 6.08 ...Analisis de varianza de la densidad de organismos durante la noche en función de la profundidad
denoche<-experimento$Densidad_noche
profu<-experimento$Profundidad.m.
prof<-as.factor(profu)
length(denoche)## [1] 80length(profu)## [1] 80anoma<-aov(denoche~profu, data=experimento)
summary(anoma)## Df Sum Sq Mean Sq F value Pr(>F)
## profu 1 3.7 3.669 0.139 0.71
## Residuals 78 2052.4 26.313shapiro.test(anoma$residuals) #asimetricos##
## Shapiro-Wilk normality test
##
## data: anoma$residuals
## W = 0.77478, p-value = 9.887e-10bali<-tapply(denoche,profu, data=experimento)# no son balanceados
library(outliers)
A<-as.factor(profu)
B<-denoche
cochran.test(B ~ A)#p-value = 0.6643 SI SON hOMOCEDASTICOS##
## Cochran test for outlying variance
##
## data: B ~ A
## C = 0.31754, df = 20, k = 4, p-value = 0.6643
## alternative hypothesis: Group 15 has outlying variance
## sample estimates:
## 10 15 25 35
## 33.80806 34.29982 18.76849 21.13979PRONOCHE<-kruskal.test(denoche ~ profu, data =experimento)#p-value = 0.9093
boxplot(denoche ~ profu, xlab = "Profundidad (m)", ylab = "Densidad (org/Km2 )")
Figura 14. Para el análisis de la varianza, entre densidad (org/Km2) y laprofundidad, se evaluó la normalidad de los residuos (utilizando la Prueba de Shapiro) y la homocedasticidad (con la Prueba de Cochran), por lo tanto se escogió realizar el ANOVA no-paramétrico de Kruskal Wallis.
Analisis de varianza de la densidad de organismos durante el día en función de la profundidad
profu<-experimento$Profundidad.m.
prof<-as.factor(profu)
densdia<-experimento$Densidad_dia
profu<-experimento$Profundidad.m.
prodia<-aov(densdia~prof, data=experimento)
summary(prodia)## Df Sum Sq Mean Sq F value Pr(>F)
## prof 3 74.7 24.91 1.138 0.339
## Residuals 76 1663.2 21.89shapiro.test(prodia$residuals)# no son normales##
## Shapiro-Wilk normality test
##
## data: prodia$residuals
## W = 0.91215, p-value = 4.13e-05balanc<-tapply(densdia, prof, length)# si son balanceados
fligner.test(sqrt(densdia)~ prof , data=experimento) # no hay forma de que de homocedastico se supone que si son ##
## Fligner-Killeen test of homogeneity of variances
##
## data: sqrt(densdia) by prof
## Fligner-Killeen:med chi-squared = 50.792, df = 3, p-value = 5.417e-11dia<-kruskal.test(densdia~prof, data = experimento)
summary(dia)## Length Class Mode
## statistic 1 -none- numeric
## parameter 1 -none- numeric
## p.value 1 -none- numeric
## method 1 -none- character
## data.name 1 -none- characterboxplot(densdia~prof, data = experimento, xlab="Profundidad(m)", ylab = "Densidad día (org/Km2)")
Figura 15. Variación de la densidad poblacional diurna en función de la profundidad
Al no lograr modificar la homocedasticidad de los no fue posible seguir un ANDEVA para los datos de densidad durante el día en función de la profundidad.
Analisis de varianza de las tallas en función del año de muestreo
TalAov<-as.numeric(proyecbio$Talla)
AmAov<-as.factor(proyecbio$Anio)
str(proyecbio)## 'data.frame': 1920 obs. of 11 variables:
## $ Anio : int 2018 2018 2018 2018 2018 2018 2018 2018 2018 2018 ...
## $ Estacion : chr "SECA" "SECA" "SECA" "SECA" ...
## $ Sitio : chr "IGM" "IGM" "IGM" "IGM" ...
## $ Transecto : chr "A" "A" "A" "B" ...
## $ Area.KM2. : int 30 30 30 30 30 30 30 30 30 30 ...
## $ Especies : chr "PEP_ELE" "PEP_ELE" "PEP_ELE" "PEP_ELE" ...
## $ Talla : int 278 219 287 243 286 201 226 261 300 230 ...
## $ Abundancia : int 9 19 38 17 6 1 7 1 17 30 ...
## $ Temperatura: num 17.9 17.8 18.3 18.1 18.4 ...
## $ Salinidad : num 36.5 36.2 36.2 36 36 ...
## $ Densidad : num 0.3 0.633 1.267 0.567 0.2 ...anovdta<-aov(TalAov~AmAov, data=proyecbio)
summary(anovdta)## Df Sum Sq Mean Sq F value Pr(>F)
## AmAov 1 4663 4663 0.125 0.724
## Residuals 1918 71607003 37334shapiro.test(anovdta$residuals)# es significatica W = 0.88947, p-value < 2.2e-16 asimetricos , se usa kruskall wallis##
## Shapiro-Wilk normality test
##
## data: anovdta$residuals
## W = 0.88947, p-value < 2.2e-16balan2<-tapply(TalAov,AmAov, length)#si son balanceados
# residuos asimetricos y datos balanceados
# prueba para ver homocedasticidad de los residuos
fligner.test(TalAov~AmAov) # si es homocedastico p-value = 0.5193##
## Fligner-Killeen test of homogeneity of variances
##
## data: TalAov by AmAov
## Fligner-Killeen:med chi-squared = 0.41535, df = 1, p-value = 0.5193# ahora se usa kruskal walli son asimetricos datos balanceados y bonferroni
anovadenanio<-kruskal.test(TalAov~ AmAov, data = proyecbio)
summary(anovadenanio)## Length Class Mode
## statistic 1 -none- numeric
## parameter 1 -none- numeric
## p.value 1 -none- numeric
## method 1 -none- character
## data.name 1 -none- characterboxplot(TalAov~ AmAov, data = proyecbio, ylab="Tallas(cm)",xlab="Año")
# no hay diferencia en las tallas de las poblaciones de un anio al otro
#fer investigue ciclos de gestacion y madures de cada especieFigura 16.Para el análisis de la varianza, entre densidad (org/Km2) y laprofundidad, se evaluó la normalidad de los residuos (utilizando la Prueba de Shapiro) y la homocedasticidad (con la Prueba de Fligner), por lo tanto se escogió realizar el ANOVA no-paramétrico de Kruskal Wallis.
Discución
Existen diferencias en la abundancia de cada especie por sitio, sin embargo al observar la tabla encontramos a las especies en una proporción similar en cada sitio, en comparación con el resto Peponocephala electra presenta una mayor disminución la cual está asociada a la estación lluviosa del año 2018 y 2019, su disminución puede ser producto de diferentes factores como los varamientos en manada reportados cada año o ser captura accidental de la pesca (Jefferson & Barros, 1997).
Las pruebas de regresión lineal de abundancia en función de la de la temperatura poseen un p-value>0.05 y valor de R2 < 0.007253 por lo que los modelos son no significativos para las cuatro especies. Las pruebas de regresión lineal de abundancia en función de la salinidad poseen un p-value>0.1 y valores de R2 < 0.003515 por lo que los modelos son no significativos para las cuatro especies. Ambas pruebas sí cumplen con el modelo establecido dado que la pendiente es diferente de cero sin embargo no se cumple ningún supuesto del modelo de regresión lineal. Esto puede deberse a que los odontocetos son capaces de soportar grandes cambios de temperatura y salinidad al tener un hábitat tan amplio que varía de acuerdo con su ubicación geográfica (Estes, J. A., Demaster, D. P., Doak, D. F., Brownell, R. L., & Williams, T. M., 2006).
La correlación entre Orcinus orca y Globicephala macrorhynchus es no significativa y negativa débil, esto se debe a la ausencia de casos reportados de la depredación de Globicephala macrorhynchus sin embargo, esta especie puede ser una presa ocasional de Orcinus orca (Olson et al., 2008), lo cual podría explicar porque es una correlación negativa débil. Por otro lado, al analizar la correlación entre Orcinus orca y Peponocephala electra esta es negativa débil, por lo que cuando la abundancia de una especie aumenta la otra disminuye de una forma no significativa. Uno de los principales depredadores de Peponocephala electra es Orcinus orca (Bradford, A. L.; et al., 2017), sin embargo, esto no se ve reflejado de forma significativa por los datos obtenidos en las zonas de muestreo posiblemente por la abundancia de otras fuentes de alimento para Orcinus orca en esa zona. La correlación entre Kogia breviceps y Peponocephala electra es positiva no significativa, esto es debido a que, aunque ambas poseen hábitos alimenticios similares, su distribución espacial es diferente, Peponocephala electra/ se distribuye en aguas tropicales y subtropicales (Perryman, W.L.; K. Danil, 2018) mientras que Kogia breviceps* se encuentra en latitudes tropicales y templadas de todo el mundo (Bloodworth, B.E. & Odell, D.K., 2008).
El análisis de varianza de la densidad de individuos en función de la profundidad muestra un p-value> 0.05 dejando claro que no hay una diferencia entre la abundancia de las especies a distintas profundidades durante la noche, en el caso de Orcinus orca producto de sus cortos períodos de sueño los cuales ocurren tanto en el día como en la noche (Heyning & Dahlheim, 1988). Al analizar la varianza de las tallas en función del año nos damos cuenta que no encontramos grandes cambios de un año a otro ya que estas especies poseen ciclos reproductivos y de crecimiento muy largos. En O. orca se estima que el periodo de gestación es alrededor de 15 meses (Heyning & Dahlheim, 1988). En el caso de G. macrorhynchus las hembras tendrán crías entre cada 5 u 8 años, teniendo un promedio de 4 a 5 crías en toda su vida, las crías amamantan durante un periodo de 2 a 5 años, Por lo general, una hembra dejará de reproducirse una vez que alcance los 40 años, aunque la esperanza de vida máxima supere los 60 años. (Pryor, K.; Norris, K.S.; Marsh, H.; Kasuya, T. 1991). El periodo de gestación en K. breviceps dura aproximadamente 11 meses, tiene una longitud media de 1,2 m al nacer y puede amamantar durante 1 año. (Bloodworth & Odell, 2008). La gestación aproximada en P. Electra es de un año, como en la mayoría de los delfines pequeños (Thomas A. Jefferson & Nélio B. Barros, 1997). Por lo que es natural no encontrar grandes cambios en las tallas de los individuos de un año respecto al siguiente.
Conclusión
Todas las especies presentaron una abundancia constante de un año al otro tanto en estación seca como lluviosa en cada sitio, a excepción de Peponocephala electra la cual presentó una disminución significativa en su población de un año respecto al siguiente.
Orcinus orca y Globicephala macrorhynchus presentaron actividad diurna y nocturna debido a que sus hábitos de profundidad son los mismos tanto de día como de noche ya que poseen periodos muy cortos de sueño los cuales pueden ocurrir en el dia o la noche indistintamente.
Los odontocetos tienen la capacidad de adaptarse a diversos hábitats, viéndose reflejado en su distribución espacial la cual abarca desde los polos hasta los trópicos, a excepción de Peponocephala electra que solo habita en aguas tropicales y subtropicales. Esto se confirmó ya que no hubo una relación directa entre la abundancia de estos mamíferos con respecto a la temperatura y salinidad.
No hay grandes diferencias en las tallas entre un año y otro debido a que los ciclos reproductivos de estos individuos son extensos y su crecimiento es lento.
Lista de Referencias
Bloodworth, B. E., & Odell, D. K. (2008). Kogia breviceps (Cetacea: kogiidae). Mammalian Species, (819), 1-12. doi:10.1644/819.1
Bradford, A. L.; et al. (2017). “Abundance estimates of cetaceans from a line-transect survey within the US Hawaiian Islands Exclusive Economic Zone”. Fishery Bulletin. 115 (2): 129-142. doi:10.7755/FB.115.2.1
Dahlheim, M.E. 1981. A review of the biology and exploitation of the killer whale, Orcinus orca, with comments on recent sightings from Antarctica. Rept. Internat. Whaling Comm., 31:541- 546.
Estes, J. A., Demaster, D. P., Doak, D. F., Brownell, R. L., & Williams, T. M. (Eds.). (2006). Whales, whaling, and ocean ecosystems. Univ of California Press. pp. 145-162.
Gaskin. D.E. 1983. The ecology of whales and dolphins. Heinemann editors. Londres. 459 pp.
Gowans S, Whitehead H. 1995. Distribution and habitat partitioning by small odontocetes in the Gully, a submarine canyon on the Scotian Shelf. Canadian Journal of Zoology 73:1599/ 608.
Heyning, J. E., & Dahlheim, M. E. (1988). Orcinus orca. Mammalian Species, (304), 1-9.
Jefferson, T. A., & Barros, N. B. (1997). Peponocephala electra. Mammalian Species, (553), 1-6.
Lusseau, D., Willians, R., Wilson, B., Grellier, K., Hammond, P.S. and P.M. Thompson. 2004. Parallel influence of climate on the behaviour of Pacific killer whales and Atlantic bottlenose dolphins. Ecology Letters 7: 1068- 1076.
Michaud, R. O. B. E. R. T. (2005). Sociality and ecology of the odontocetes. Sexual segregation in vertebrates, pp 303.
Mintzer, V. J., Gannon, D. P., Barros, N. B., & Read, A. J. (2008). Stomach contents of mass‐stranded short‐finned pilot whales (Globicephala macrorhynchus) from North Carolina. Marine Mammal Science, 24(2), 290-302. doi:10.1111/j.1748-7692.2008.00189.x
Olson, P.M. (2008). Perrin, P.W.; Wursig, B.; Thewissen, J.G.M (eds.). Pilot whale Globicephala melas and G. muerorhynchus, in Encyclopedia of Marine Mammals. San Diego (CA): Academic Press. pp. 847–852.
Perryman, W.L.; K. Danil (2018). “Melon-headed whale: Peponocephala electra”. In W.F. Perrin; B. Würsig; J.G.M. Thewissen (eds.). Encyclopedia of marine mammals (3rd ed.). San Diego, CA: Elsevier. pp. 593–595.
Prieto González, R., Valsero Blanco, M. C., Adam, O. (2011). Cómo utilizar el canto de las ballenas para saber su número. TRIM: revista de investigación multidisciplinar, (2), 5-30.
Pryor, K.; Norris, K.S.; Marsh, H.; Kasuya, T. (1991). Pryor, K.; Norris, K.S. (eds.). Changes in the role of a female pilot whale with age, in Dolphin societies. Berkeley (CA): University of California Press. pp. 281–286.
R Development Core Team. (2017). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing.
Reeves, R.R., Stewart, B., Clapham, P.J. and J.A. Powell. 2002. Guide to marine mammals of the world. Knof. USA. 527 pp.
Selzer LA, Payne PM. 1988. The distribution of white-sided (Lagenorhynchus acutus) and common dolphins (Delphinus delphis) vs. environmental features of the continental shelf of the northeastern United States. Marine Mammal Science 4(2):141/53.
Téllez, R., Mignucci-Giannoni, A. A., & Caballero, S. (2014). Initial description of short-finned pilot whale (Globicephala macrorhynchus) genetic diversity from the Caribbean. Biochemical Systematics and Ecology, 56, 196-201.
Thorne, L. H., Foley, H. J., Baird, R. W., Webster, D. L., Swaim, Z. T., & Read, A. J. (2017). Movement and foraging behavior of short-finned pilot whales in the Mid-Atlantic Bight: importance of bathymetric features and implications for management. Marine Ecology Progress Series, 584, 245-257. doi:10.3354/meps12371
Thomas A. Jefferson, Nélio B. Barros, Peponocephala electra, Mammalian Species, Issue 553, 9 May 1997, Pages 1–6, https://doi.org/10.2307/3504200
West, K. L., Walker, W. A., Baird, R. W., Webster, D. L., & Schorr, G. S. (2018). Stomach contents and diel diving behavior of melon‐headed whales (Peponocephala electra) in Hawaiian waters. Marine Mammal Science, 34(4), 1082-1096. doi:10.1111/mms.12507