1 Escuela de Ciencias Biológicas, Universidad Nacional, Heredia, Costa Rica; , ,

03/11/2020

Resumen: Se analizó la abundancia de poblaciones de misticetos de las especies Balaenoptera musculus, Balaenoptera physalus, Megaptera novaeangliae y Balaenoptera edeni, durante la época seca y lluviosa en cuatro sitios diferentes a lo largo del Pacífico los cuales fueron Puerto Vallarta (México), Monte Rico (Guatemala), Islas Murciélago (Costa Rica) e Isla Coiba (Panamá) en los años 2018 y 2019. El total de muestreos que se obtuvieron fueron 1920, con base a esos resultados se logró obtener un promedio de las variables como temperatura, salinidad, abundancia y talla. El principal objetivo era el análisis de la distribución espacial y temporal de dichas especies en la costa Pacífica de Mesoamérica. La mayoría de variables mostraron diferencias significativas leves, sin embargo, la temperatura fue la más sobresaliente a lo largo del estudio, enfocándonos en cómo se encuentran directamente correlacionados con la abundancia y salinidad de las especies, ya que, al relacionar talla y salinidad no muestra resultados contundentes entre las poblaciones. Tampoco fueron encontradas diferencias notables entre los dos años en que se realizaron los muestreos ni en la afectación de la densidad hacia estos individuos.

Palabras clave: Ballena azul; ballena jorobada; ballena de aleta; rorcual tropical, Océano Pacífico.

Introducción

Las costas mesoamericanas está compuesta de países como Costa Rica, México, Guatemala y Panamá, los cuales poseen mares idóneos para la diversificación de abundantes especies, estas son aguas que poseen temperaturas entre 33°C y 36°C y una salinidad promedio de 25 g/L, estas son condiciones perfectas para el desarrollo de especies de diferentes grupos tales como condrictios, y cetáceos, siendo los misticetos las más abundantes de este último, debido a sus constantes migraciones y constante retorno a las aguas mesoamericanas .

Los misticetos son los mamíferos acuáticos mejor adaptados siendo los animales más grandes observados a los largo de las costas mesoamericanas (Acevedo, J. 2014), estos animales suelen ser observadas con mayor frecuencia en la época lluviosa, la época reproductiva de estas, debido a que las aguas mesoamericanas son su principal destino para la reproducción ya que estas cumplen las condiciones adecuadas para las especies, de igual forma algunas ballenas como Megaptera novaeangliae, comunmente llamada Ballena jorobada son consideradas residentes por sus constantes apariciones a lo largo del año sin importar la época del año en la que nos encontremos (Acevedo, J. A., et al , 2016).

(Vázquez Lozano, M. D. J. , 2015) nos indica que las especies observadas a lo largo de Mesoamérica suelen poseer tallas grandes, debido a que los mayores avistamientos son de adultos. Siendo la Balaenoptera musculus comúnmente conocida como Ballena azul, la ballena de mayor tamaño, alcanzando tallas máximas de 30m y las crías alcanzan tallas de 7m, así también como la Balaenoptera physalus, conocida como Ballena de aleta la segunda más grande, la cual posee una talla promedio de 27m, igual forma se logran observar especies de menor tamaño como Balaenoptera edeni también conocida como Rorcual tropical que alcanza tallas promedio de 17metros siendo una de las especies registradas con menor talla a lo largo de las costas mesoamericanas.

Se desea conocer las diferencias que existen entre B.musculus, B.physalus, B. edeni y M. novaeangliae y como se ven afectadas por las diferentes temperaturas y salinidades dependiendo de la ubicación de estas a lo largo de las costas mesoamericanas, considerando factores como la talla y la abundancia de las especies estudiadas, para lograr el análisis de estos datos se utiliza el software R-4.0.2-win en donde se realizan correlaciones para determinar si la abundancia de esta se ven afectadas por la temperatura, análisis de varianza para determinar las diferencias de la especies y múltiples análisis estadísticos.

Figura 1. a. Balaenoptera edeni , b. Balaenoptera physalus ,c. Megaptera novaeangliae y d. Balaenoptera musculus

Objetivos

General: analizar la distribución espacial y temporal de 4 especies de ballenas barbadas ( Balaenoptera musculus, Balaenoptera physalus, Megaptera novaeangliae y Balaenoptera edeni) en la costa Pacífica de Mesoamérica.

Específicos:

1. Determinar las tallas corporales de las especies en estudio.

2. Identificar los sitios con mayor abundancia de las cuatro especies de ballenas.

Materiales y metodos

Sitio de estudio: El estudio se llevó a cabo durante 2 años (2018- 2019) en 4 sitios diferentes (Puerto Vallarta, México (MEX), Monterrico, Guatemala (GUA), Islas Murciélagos, Costa Rica (CR) e Isla Coiba, Panamá (PAN). En cada sitio se realizaron 10 transectos (A-J) de 30 km lineales. Además, se quería conocer la presencia de las especies a distintas profundidades, por lo tanto, se realizó un experimento con marcas acústicas durante el día y la noche y con ellos se calculó su densidad promedio.

Analisis estadistico: Se analizaron dos variables, la primera fue la abundancia de la ballena jorobada durante la época seca en Costa Rica en el año 2019 y la segunda, fue la talla de la ballena azul, en México, durante la época lluviosa en el 2019, para las cuales se realizaron su respectiva tabla de distribucion de frecuencia y plot. Esto se realizó con el fin de conocer cómo varía la abundancia y la talla de la especie con respecto a la frecuencia de muestreos. Se utilizaron las probabilidades discretas como Binomial y Poisson sobre las cuatro especies en distintos países como lo son Costa Rica y México en las diferentes estaciones , además del año de estudio. En el primer caso se pretende hallar la probabilidad que hay para encontrar 30 especies de una muestra de 122 en México durante la época lluviosa en el año 2018.La segunda se deseaba encontrar más de 45 especies en una muestra de 202 especímenes en Costa Rica durante la época seca del año 2019. Además, se efectuaron probabilidades continuas, por lo tanto es necesario calcular sus promedios y desviaciones estándar respectivas.

Se analizó la abundancia de las 4 especies en estudio en Costa Rica durante ambas épocas (seca y lluviosa) en el transecto C y en el año 2019. Para lo que se quiere determinar si existen diferencias significativas, por lo que fue necesario establecer una hipótesis nula y una alternativa que establecen que:
H0= No existen diferencias significativas en la abundancia de estas especies en época seca o lluviosa.
Hi= Existen diferencias significativas entre las tallas de las especies durante ambas epocas.

A partir de esto se procedió a realizar un data frame que contuviese las variables anteriormente mencionadas (abundancia_ especie _19_seca_C_cr y abundancia _especie_19_lluviosa_C_cr) y se aplicó la prueba de chi-cuadrado para posteriormente analizar si cumplía con los supuestos establecidos como lo son aleatoriedad, independencia en los datos, variables mutuamente excluyentes, valores absolutos y así determinar su significancia.

Se utilizaron los datos obtenidos del muestreo para realizar tres correlaciones con diferentes vectores. La primera, fue realizada entre los vectores abundancia y temperatura de la especie Balaenoptera edeni (Rorcual tropical), en Costa Rica durante la época lluviosa en el año 2019. Estos datos fueron sometidos a la prueba Shapiro para comprobar su normalidad, seguidamente se realizó la prueba de Correlación mediante el método de Spearman para identificar la existencia de la misma.

La segunda, se realizó entre las variables talla y temperatura en Costa Rica de la especie Balaenoptera physalus (Ballena de aleta), al igual que en el análisis previo, se realizaron las pruebas estadísticas correspondientes para comprobar su normalidad y correlación. Los ultimos vectores por analizar fueron temperatura y salinidad de la especie Balaenoptera physalus (Ballena de aleta) durante la época lluviosa en el año 2018 en los cuatro sitios donde fue observada. Finalmente, se realizaron gráficos para representar ilustrativamente los resultados obtenidos.

Para las pruebas ANDEVA se realizo un muestreo sobre las cuatro especies en estudio ( Balaenoptera musculus (BAL_MUS), Balaenoptera physalus (BAL_PHY), Megaptera novaeangliae (MEG_NOV), Balaenoptera edeni (BAL_EDE)) para determinar el efecto que tienen diversos factores como: la época (seca y lluviosa), año de toma de datos (2018, 2019) y paises en donde se llevó a cabo dicho estudio.

Se realizaron dos modelos ANDEVA, el primero fue de talla vs especie (Figura 8) y el segundo de abundancia vs especie (Figura 9). Con respecto al primer modelo, se crearon dos vectores en el que cada uno contenia la estación (seca), el año (2018) y el sitio de muestreo (GUA). El segundo modelo incluía la estacion (lluviosa) y el sitio de muestreo (C.R). Una vez establecidos los modelos se procedió a aplicarseles sus debidos supuestos: normalidad, balance, homocedasticidad, crear nuevo modelo de ANOVA de ser necesario y Post- Hoc. En ambos casos las pruebas presentaron diferencias signifcativas, por lo que se les aplicó Tukey HSD y el estadístico de Pairwise Wilcoxon, respectivamente para poder así graficar los resultados.

Resultados

Distribucion de frecuencia relativa y probabilidades sobre la abundancia y talla de especies en estudio: Se llevaron a cabo un total de 25 muestreos para determinar la abundancia de la ballena jorobada en Costa Rica durante la época seca en el 2019, a partir de una muestra de 30 individuos. Aproximadamente en una frecuencia de muestreo de 23, se presentó la mayor abundancia de ballenas, con un intervalo de 24-28 especímenes y una frecuencia absoluta de 7 individuos. Adicionalmente se observó que se obtuvo una moda de 10 en cuanto a la frecuencia de muestro.
Cuadro 1. Distribución frecuencias relativa de la abundancia de ballena jorobada en Costa Rica durante la epoca seca del 2019

Figura 2. Frecuencia relativa de la abundancia de ballena jorobada en Costa Rica durante la epoca seca del 2019

Se realizó un total de 4 muestreos para averiguar el rango de tallas existente de la ballena azul en México durante la época lluviosa del 2019. Se estableció que los individuos presentaban tallas que van desde los 15 m hasta los 31 m. Sin embargo, en una frecuencia de tallas de 4 muestreos, se obtuvieron medidas para el grupo estudiado que van desde los 23 m a 27 m, con un máximo de 12 individuos.
Cuadro 2. Distribución frecuencias relativa de la talla de ballena azul en Mexico durante la epoca lluviosa del 2019

Figura 3. Frecuencia relativa de la talla de ballena azul en Mexico durante la epoca lluviosa del 2019

Se determinó la probabilidad de encontrar exactamente 30 individuos al azar de las 4 especies en estudio, en México durante la época lluviosa en el año 2018 y el resultado obtenido fue del 8% de individuos apartir de una muestra total de 122 especímenes. Además, se deseaba conocer la cantidad de ballenas azules observadas con una talla de 21m y los resultados arrojaron que únicamente 46 de 120 individuos la poseían. Posteriormente, se obtuvo que 15 especímenes disponian de tallas que se encuentran en un rango de 27 m a 29 m. Por último, se desea estimar la probabilidad de encontrar más de 2 de las 4 especies estudiadas en Costa Rica para lo que mostró un resultado del 26%. Adicionalmente, se obtuvo que de la ballena jorobada el 71% presentaban una abundancia de 24 individuos en este sitio y el 60% de probabilidad de que presentara una abundancia menor a 23 ejemplares.

Relación existente entre la abundancia y temperatura: Se buscó determinar si existían diferencias significativas entre la abundancia de ballena jorobada, ballena azul, ballena de aleta y rorcual tropical en Costa Rica, durante las épocas seca y lluviosa, año 2019 y en el transecto C. Sin embargo, al realizar la prueba de chi-cuadrado posterior al haber establecido las hipótesis, los resultados arrojaron que estos no presentaban diferencias significativas (X-squared = 5.9951, df = 3, p-value>0.05).

Los vectores abundancia y temperatura de la especie Balaenoptera edeni según la prueba correspondiente fueron asimétricos(p<0.05) y normales(p<0.05) al aplicar la prueba de correlación se observó que estos datos poseían una correlación débil (rho= 0.3790399, p<0.05) siendo este significativo.

Figura 4. Correlacion de abundancia y temperatura de la especie Balaenoptera edeni

Los vectores talla y temperatura de la especie Balaenoptera physalus presentaron una correlación muy baja y débil, la cual fue demostrada (rho=0.2090455, p<0.05) siendo este un valor muy cercano a 0.

Figura 5. Correlacion talla temperatura de la especie Balaenoptera physalus

En la tercera correlacion se obtuvo la significancia más fuerte, siendo esta negativa, es decir, inversamente proporcional (rho= -0.71564, p < 0.05)

Figura 6. Correlacion negativa entre salinidad y temperatura

Se estima que en el caso de la balleta de aleta, al presentar una temperatura de 18.5℃ se obtendrá una salinidad de 36.88 g/L utilizando la fórmula de regresion lineal,siendo esta significativa (R-squared: 0.6639, F-statistic: 236.1 on 1 and 118 DF, p<0.05)

Figura 7. Regresion de temperatura y salinidad de la ballena de aleta en la epoca lluviosa del 2018

Analisis de diferencias estadisticas con base a las variables en estudio: En las cuatro especies estudiadas, se encontraron diferencias significativas (F=144.4; p<0.05) . Por lo que se realizó la prueba de Tukey HSD. Esto mostró que la ballena jorobada es la de mayor tamaño y la rorcual tropical es la más pequeña, sin embargo, todas mostraron diferencias entre sí.

Figura 8. Talla en funcion de la Especie

En las cuatro especies estudiadas, se encontraron diferencias significativas (p<0.05), asi que se procedió a realizar la prueba de Pairwise Wilcoxon para encontrar donde se dan y los resultados fueron los siguientes: ballena azul- rorcual tropical (p<0.05), ballena de aleta- ballena azul (P<0.05), ballena de aleta- rorcual tropical (P<0.05) y con la ballena jorobada todas las pruebas fueron (p<0.05). Así que se concluye que la que presenta mayor abundancia es la ballena jorobada.

Figura 9. Abundancia en funcion de las Especie en estudio

Discusión

El Pacífico Oriental Tropical comprende la costa de algunos países de Mesoamérica como lo son México, Costa Rica, Guatemala y Panamá. Además, esta supone un área rica en biodiversidad marina y económica. (Rosales-Nanduca et al., 2011.). Los cuatro sitios en estudio pertenecen a dicha región, lo cual la hace ideal para llevar a cabo los estudios sobre abundancia de las especies, la cual se ve influenciado por diversos aspectos (…)uno de los factores más importantes que afectan en la abundancia de las especies es el tema de la temperatura o ya sea la época del año en que se encuentre (Quintana, E. 2019). Sin embardo se ha encontrado que algunas especies como B. musculus son de hábitos oceánicos y M. novaeangliae posee hábitos más costeros (Clapham, 2009; Kato y Perrin, 2009). Lo cual coincide con lo observado por Martínez-Fernández, D, et.al, 2011). Estos datos nos hacen predecir que la abundancia de las especies se ve mediada por las diferencias de temperatura entre estas dos áreas, siendo las temperaturas de aguas costeras más bajas que las obtenidas en las zonas oceánicas (González, J. A, et.al,). También se ha observado que en algunas especies la temperatura no es un mediador en la abundancia, ya que se puede observar a lo largo del año en aguas tropicales y templadas con una temperatura igual o mayor a 16.3°C (Kato y Perrin, 2009).

La ballena azul es conocida por ser el animal más grande que haya poblado la tierra, del cual se tiene registro. Su talla promedio de adulto ronda los 30 m y para las crías, es de 7 m (National Geographic, 2020). En la región de Puerto Vallarta, durante la época lluviosa en el 2019, las ballenas se encontraron por debajo del promedio. Esto se pudo haber dado por diferentes causas, tales como que los especímenes aún no alcanzaran la edad adulta y se encuentren en etapa juvenil o debido a escasez de recursos. Estos mamíferos se alimentan de krill y consumen un aproximado de 3.5 toneladas de estos por día(National Geographic, 2020). Por lo que un descenso en la abundancia de estos animales podría afectarles significativamente. Esta ballena suele encontrarse en aguas oceánicas, más profundas y en este caso tropicales (3830 ± 46 m y 28 ± 0.12°C) (Quintana, E. 2019), donde la abundancia del krill no es tanta ya que esta es una especie que habita mayormente en el océano Austral. (IDEAL, 2016)

Las aguas del Pacífico Oriental tropical suelen tener temperaturas promedio de entre 22°C y 24°C las cuales poseen variaciones según la estación(Sánchez, J. A., et.al 2016). Estas temperaturas también suelen estar afectadas por la salinidad del agua, teniendo una correlación negativa. Según Muller, K. (1979) a mayor temperatura se encuentren en los océanos menor va a ser la salinidad que estos posean, ya que las temperaturas se ven mediadas por diferentes factores como las ventisca, lluvias y demás factores que influyen de manera directa en las proporciones de sal encontradas en el océano. La temperatura también juega un papel fundamental para la observación de misticetos, debido a que estos prefieren temperaturas que ronden los 24°C (Quintana, E. 2019) siendo la estación de invierno en donde se logran encontrar estas temperaturas.

Conclusiones

Después de realizar las evaluaciones correspondientes y utilizar los métodos ya conocidos y mencionados con anterioridad, se concluye que la abundancia de Megaptera novaeangliae , es mucho mayor que las demás especies debido a que esta es considerada residente de las costas mesoamericanas. De igual manera, se determinó que de las cuatro especies estudiadas, solo en Balaenoptera physalus la temperatura juega un papel importante en la talla ya que las temperaturas de las aguas oceánicas en las que se encuentra pueden llegar a ser muy variables. Por último, otro factor importante que afecta notablemente la temperatura del agua, la abundancia de las especies y la talla de ellas, es la salinidad de la misma, esto varía dependiendo la profundidad; sin embargo, en algunas especies como lo es el caso de Balaenoptera edeni,el cual es un misticeto que no presenta diferencias significativas en lo antes mencionado.

Referencias bibliograficas

Acevedo, J. (2014). El viaje de invierno de las ballenas jorobadas. Boletín Antártico Chileno, 33, 1.

Acevedo, J. A., Aguayo-Lobo, A., & Pastene, L. A. (2016). Filopatría de la ballena jorobada y ballena azul (Megaptera novaeangliae Borowski, 1781 y Balaenoptera physalus linnaeus 1758 ), al área de alimentación del estrecho de Magallanes. Revista de biología marina y oceanografía, 41(2), 11-19.

IDEAL, centro de investigación dinámica de Ecosistemas Marinos de Altas Latitudes (2016). El krill es el animal más abundante de la Antártica. Chile: IDEAL, centro de investigación dinámica de Ecosistemas Marinos de Altas Latitudes. Recuperado de: https://www.centroideal.cl/2016/el-krill-es-el-animal-mas-abundante-de-la-antartica/#:~:text=El%20krill%20es%20un%20peque%C3%B1o,supera%20a%20la%20poblaci%C3%B3n%20mundial.

González, J. A., Céspedes, J. G., Ramírez, E. G., Zamora, J. A. V., & Cortés, J. (2012). Parámetros físico-químicos en aguas costeras de la Isla Coiba, Panamá (2007-2010). Revista de Biología Tropical Colombia, 49-56.

Martínez-Fernández, D., Montero-Cordero, A., & May-Collado, L. (2011). Cetáceos de las aguas costeras del Pacífico norte y sur de Costa Rica. Revista de Biología Tropical, 59(1), 283-290.

Muller, K. (1979). Interrelaciones entre salinidad y temperatura en la bahía de Santa Marta. Boletín de Investigaciones Marinas y Costeras, 11.

NATIONAL GEOGRAPHIC (2020). Ballena azul. (-): NATIONAL GEOGRAPHIC. Recuperado de: https://www.nationalgeographic.es/animales/ballena-azul

Sánchez, J. A., Gómez, C. E., Escobar, D., & Dueñas, L. F. (2016). DIVERSIDAD Y ABUNDANCIA DE LOS MISTICETOS DE LA ISLA MALPELO, PACÍFICO ORIENTAL TROPICAL, COLOMBIA. Boletín De Investigaciones Marinas Y Costeras, 40.

Vázquez Lozano, M. D. J. (2015). Composición y abundancia de cetáceos de la porción central de Oaxaca, México (Doctoral dissertation, Instituto en Ciencias Biológicas-Licenciatura en Biología-UNICACH).

ANEXO: Código de R para todos los analisis estadísticos ejecutados

#  Librerias----
library(readxl)
library(fdth)
library(PerformanceAnalytics)
library(corrplot)
library(lmtest)
library(car)
library(visreg)

#  CARGAR DATOS----
muestreo <- read_excel("C:/Users/Usuario/Desktop/UNA/Bioestadistica/Proyecto/Project - Informe/Data/muestreo.xlsx", 
col_types = c("numeric", "text", "text", "text", "numeric", "text", "numeric", 
"numeric", "numeric", "numeric", "numeric"))

experimento <- read_excel("C:/Users/Usuario/Desktop/UNA/Bioestadistica/Proyecto/Project - Informe/Data/experimento.xlsx", 
col_types = c("text", "numeric", "numeric", "numeric"))

# Organización de Datos----
# ESPECIES, SITIO, TRANSECTO C, EPOCAS, 2019

#Lluviosa
abundancia_meg_nov_19_lluviosa_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "MEG_NOV" & muestreo$Anio== "2019" & muestreo$Estacion== "LLUVIOSA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]
abundancia_bal_ede_19_lluviosa_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "BAL_EDE" & muestreo$Anio== "2019" & muestreo$Estacion== "LLUVIOSA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]
abundancia_bal_mus_19_lluviosa_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "BAL_MUS" & muestreo$Anio== "2019" & muestreo$Estacion== "LLUVIOSA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]
abundancia_bal_phy_19_lluviosa_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "BAL_PHY" & muestreo$Anio== "2019" & muestreo$Estacion== "LLUVIOSA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]


#Seca 
abundancia_bal_ede_19_seca_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "BAL_EDE" & muestreo$Anio== "2019" & muestreo$Estacion== "SECA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]
abundancia_bal_phy_19_seca_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "BAL_PHY" & muestreo$Anio== "2019" & muestreo$Estacion== "SECA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]
abundancia_bal_mus_19_seca_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "BAL_MUS" & muestreo$Anio== "2019" & muestreo$Estacion== "SECA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]
abundancia_meg_nov_19_seca_C_cr<-(muestreo$Abundancia)[muestreo$Especies== "MEG_NOV" & muestreo$Anio== "2019" & muestreo$Estacion== "SECA" & muestreo$Sitio== "CR" & muestreo$Transecto== "C"]

MUS<-c(16,8)
PHY<-c(13,18)
NOV<-c(99.90)
EDE<-c(18.8)

talla_bal_mus_mex<-(muestreo$Talla)[muestreo$Especies=="BAL_MUS" & muestreo$Sitio== "MEX"]

abundancia_meg_nov_cr<-(muestreo$Abundancia)[muestreo$Especies=="MEG_NOV" & muestreo$Sitio=="CR"]

MUS<-c(16,8)
PHY<-c(13,18)
NOV<-c(99.90)
EDE<-c(18.8)

abundancia_meg_nov_19_seca_cr<-(muestreo$Abundancia)[muestreo$Especies=="MEG_NOV" & muestreo$Anio==2019 & muestreo$Estacion=="SECA" & muestreo$Sitio=="CR"]

talla_bal_mus_19_lluvia_mex<-(muestreo$Talla)[muestreo$Especies=="BAL_MUS" & muestreo$Anio==2019 & muestreo$Estacion=="LLUVIOSA" & muestreo$Sitio=="MEX"]

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"]

a<-muestreo$Talla[muestreo$Estacion=="SECA"& muestreo$Anio==2018 & muestreo$Sitio== "GUA"]

b<-muestreo$Especies[muestreo$Estacion=="SECA" & muestreo$Anio==2018 & muestreo$Sitio== "GUA"]
#  DISTRIBUCION DE FRECUENCIA----

#Distribucion de frecuencias con Sturges: abundancia


df_abun<- fdt(abundancia_meg_nov_19_seca_cr, start = 0, end = 36, h= 4)
df_abun

#Histograma de frecuencia acumulada

plot(df_abun, type="cfh", main = "Frecuencia acumulada abundancia", col="lavenderblush3")

#Histograma frecuencia relativa
plot(df_abun, type="rfh",main =  , col = "lavenderblush4")


#Distribucion de frecuencias: talla
df_talla<- fdt(talla_bal_mus_19_lluvia_mex, start = 15, end = 31, h=4)
df_talla

#Histograma de frecuencia acumulada
plot(df_talla, type="cfh", main = "Frecuencia acumulada: talla", col="plum3")

#Histograma frecuencia relativa
plot(df_talla, type="rfh",main =  , col = "plum4")


#  BINOMIAL Y POISON----

length(muestreo$Especies)
#1¿Cual es la probabilidad de encontrar exactamente 30 especies al azar en una 
#muestra de 122 en MEX en la epoca lluviosa en el año 2018? 
dbinom(30,122,0.25) #0.08316689

#2-una que incluya la regla de complementacion
#¿Cual es la posibilidad de encontrar mas de 45 especies en una muestra de 202 en CR en la epoca seca en el año 2019? 

1-pbinom(45,202,.25) #0.7903928

#3-una que incluya la regla de complementación y el numero mas proximo
#¿Cual es la posibilidad de encontrar 2 o más especies en CR?

1-pbinom(1,4,.25) #0.2617188


#  DISTRIBUCION NORMAL----


talla_bal_mus_mex

str(talla_bal_mus_mex)
summary(talla_bal_mus_mex)
mean(talla_bal_mus_mex)
sd(talla_bal_mus_mex)

#En Mexico se encuentra 120 especies de bla_mus con una talla media de 24.28 y una desviacion estandar de 3.78.

#¿Cuantas especies de bal_mus poseen un talla de 21?

(pnorm(21,24.28,3.78)*120)*2 #46.2654 especies

#¿Cuantas especies de bal_ mus poseen una talla entre entre 27.5 y 29.8?

(pnorm(29,24.28,3.78)-pnorm(27,24.28,3.78))*120 #15.60015

#¿cuantas especies de bal_mus poseen una talla mayor a 24?
(1-pnorm(24,24.28,3.78))*120 #63.54291



str(abundancia_meg_nov_cr)
summary(abundancia_meg_nov_cr)
mean(abundancia_meg_nov_cr)
sd(abundancia_meg_nov_cr)

# En Costa Rica se encuenta la especie meg_nov la caual tiene una media de abundancia de 20.38, con una desviacion estandar de 9.88

#¿Cual es la posibilidad de encontar una abundancia de 24?

(1-pnorm(24,20.38,9.88))*2 #0.714069
#¿Cual es la posibilidad de encontar una abundancia entre 10 y 28?

pnorm(28,20.38,9.88)-pnorm(10,20.38,9.88) #0.6330026

# ¿Cual es la posibilidad de encontar una abundancia menor a 23?                

pnorm(23,20.38,9.88) #0.6045654

#¿Cual es la posibilidad de encontar una abundancia mayor a 23?

1-pnorm(23,20.38,9.88) #0.3954346

# ¿Cual es la posibilidad de encontar una abundancia menor a 23?                

pnorm(10,20.38,9.88) #0.1467195

#  PRUEBAS DE HIPOTESIS Y CHI CUADRADO---- 

#CHI CUADRADO
#Se realizo un estudio acerca de la abundancia de 4 especies en CR durante la epoca seca y lluviosa donde se quiere determminar si existen diferrencias entre esta  de la especies
#en el transecto C en Costa Rica en el 2019.
#Ho= No hay diferencias significativas en las tallas  de estas especies en epoca seca o lluviosa
#Hi= Hay diferencias significativas

#transecto C
#en vez de sacar un promedio, se deben sumar
MUS<- c(16,8)
PHY<- c(13,18)
NOV<- c(99,90)
EDE<- c(18,8)

abundancia_bal_ede_19_seca_C_cr
abundancia_bal_phy_19_seca_C_cr
abundancia_bal_mus_19_seca_C_cr
abundancia_meg_nov_19_seca_C_cr

abundancia_bal_ede_19_lluviosa_C_cr
abundancia_meg_nov_19_lluviosa_C_cr
abundancia_bal_mus_19_lluviosa_C_cr
abundancia_bal_phy_19_lluviosa_C_cr

ab_sitio<-data.frame(MUS,PHY,NOV,EDE)
row.names(ab_sitio)<-c("Lluviosa", "Seca")
ab_sitio

chisq.test(ab_sitio)$expected
chisq.test(ab_sitio) #no hay diferencia significativa


#CORRELACIONES
#T vs Abundancia
# 1 correlación 
shapiro.test(temperatura_bal_ede_19_lluvia_cr)
shapiro.test(abundancia_bal_ede_19_lluvia_cr)
cor.test(abundancia_bal_ede_19_lluvia_cr,temperatura_bal_ede_19_lluvia_cr, method = "s") 
0.3790399^2 #14.36%

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")


# 2 correlación 
shapiro.test(temperatura_bal_phy_cr)
shapiro.test(talla_bal_phy_cr)
cor.test(talla_bal_phy_cr,temperatura_bal_phy_cr, method = "s") # tau 14
0.2090455^2 #4.37%

cor_tallatem<-data.frame(talla_bal_phy_cr,temperatura_bal_phy_cr)
y<-cor(cor_tallatem)
chart.Correlation(cor_tallatem,method = "spearman")


# 3 Correlaciones

shapiro.test(temperatura_bal_phy_18_lluvia)
shapiro.test(salinidad_bal_phy_18_lluvia)
cor.test(salinidad_bal_phy_18_lluvia,temperatura_bal_phy_18_lluvia, method = "s")
-0.71564^2 # 51.21%

cor_saltem<-data.frame(salinidad_bal_phy_18_lluvia,temperatura_bal_phy_18_lluvia)
z<-cor(cor_saltem)
chart.Correlation(cor_saltem, method = "spearman")
 
# REGRESIONES -------------------------------------------------------------------- 

#Regresión 1    
reg1<-lm(talla_bal_phy_cr~temperatura_bal_phy_cr)    

dwtest(reg1)#NO hay Auto correlación 
shapiro.test(reg1$residuals) #Normales 
ncvTest(reg1)#homocedasticos 
summary(reg1)
par(mfrow = c(2, 2))
plot(reg1)
visreg(reg1, partial = F)

#Regresión 2

reg2<-lm(temperatura_bal_phy_18_lluvia~salinidad_bal_phy_18_lluvia)  
#tem dependiente = y
#sal independiente = x
dwtest(reg2)# Hay Auto correlación 
shapiro.test(reg2$residuals) #  no Normales 
ncvTest(reg2) # son Homosedasticos 

summary(reg2)
par(mfrow = c(2, 2))
plot(reg2)
visreg(reg2, partial = F)

(18.5-126.5377)/-2.9292
36.88301 #salinidad

# ANOVAS MUESTREO---- 

muestreo$Anio<-as.factor(muestreo$Anio)
muestreo$Estacion<-as.factor(muestreo$Estacion)
muestreo$Sitio<-as.factor(muestreo$Sitio)       
muestreo$Especies<-as.factor(muestreo$Especies)
muestreo$Transecto<-as.factor(muestreo$Transecto)
str((muestreo))

#Talla por Especie ( 2018, seca y guatemala )----

a<-muestreo$Talla[muestreo$Estacion=="SECA"& muestreo$Anio==2018 & muestreo$Sitio== "GUA"]
b<-muestreo$Especies[muestreo$Estacion=="SECA" & muestreo$Anio==2018 & muestreo$Sitio== "GUA"] 

boxplot(a~b)
modelo5<-aov(a~b) 
res_mod5<-modelo5$residuals
shapiro.test(res_mod5)
tapply(a,b, length)
boxplot(sqrt(a)~b)

bartlett.test(sqrt(a)~b)

anova5<-aov(sqrt(a)~b)
summary(anova5)
qf(0.05,3,116, lower.tail = F)

TukeyHSD(anova5)

data.frame(a,b)->misticetos
library(ggplot2)
m<- ggplot(misticetos, aes(factor(b), a, colour = b))
m +scale_y_continuous(name = "Tallas") + scale_x_discrete(name="Especies")+ geom_boxplot()

#Abundancia por Especie (Costa Rica y LLuviosa)----
c<-muestreo$Abundancia[muestreo$Estacion=="LLUVIOSA" & muestreo$Sitio=="CR"]
d<-muestreo$Especies[muestreo$Estacion=="LLUVIOSA" & muestreo$Sitio=="CR"]

boxplot(c~d)
modelo6<-aov(c~d)
res_mod6<-modelo6$residuals
shapiro.test(res_mod6)

fligner.test(log(c)~d)

anova6<-kruskal.test(log(c)~d)
anova6

pairwise.wilcox.test(log(c),d , p.adjust.method = "b", exact=FALSE)


data.frame(c,d)->misticetos
library(ggplot2)
m2<- ggplot(misticetos, aes(factor(d), c, colour = d))
m2 +scale_y_continuous(name = "Abundancia") + scale_x_discrete(name="Especies")+ geom_boxplot()