Metodología

El análisis de los datos tomados durante el muestreo se realizó por medio de pruebas de análisis de varianza (ANDEVA) con un intervalo de confianza del 95%. para esto se comprobaron los supuestos del estadístico. La normalidad de los residuos se comprobó mediante el Test de Shapiro-Wilk con un nivel de significancia del 95% siendo en todos los casos p-value menor a 0.05 por lo que no se cumple la normalidad en las variables. La homocedasticidad se comprobó mediante el test de Fligner-Killeen, no obstante el valor de p para la prueba fue menor a 0.05 en todos los casos, por lo cual no se cumple el supuesto. La prueba de ANDEVA se realizó mediante le método de Kruskal-Wallis con resultados de p menores a 0,05 mientras la prueba de hipótesis se realizó con el método de comparación por pares de Wilcoxon con corrección de continuidad.

Discusión y Resultados

Concentración de NO3 en función de la especie

a<- lm(no3~especies)
summary(a)
## 
## Call:
## lm(formula = no3 ~ especies)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.4396 -1.0354 -0.0354  1.1333  3.5604 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        16.86667    0.07199 234.298  < 2e-16 ***
## especieso_notiodes  1.64583    0.10181  16.166  < 2e-16 ***
## especieso_xiphias  -0.42708    0.10181  -4.195 2.85e-05 ***
## especiest_arcus     2.16875    0.10181  21.303  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.577 on 1916 degrees of freedom
## Multiple R-squared:  0.3225, Adjusted R-squared:  0.3214 
## F-statistic:   304 on 3 and 1916 DF,  p-value: < 2.2e-16
shapiro.test(a$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  a$residuals
## W = 0.98104, p-value = 2.809e-15
tapply(no3,especies,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           480           480           480           480
fligner.test(no3 ~ especies)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  no3 by especies
## Fligner-Killeen:med chi-squared = 313.64, df = 3, p-value < 2.2e-16
anova1<- kruskal.test(no3 ~ especies)
anova1
## 
##  Kruskal-Wallis rank sum test
## 
## data:  no3 by especies
## Kruskal-Wallis chi-squared = 586.73, df = 3, p-value < 2.2e-16
pairwise.wilcox.test(no3,especies, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  no3 and especies 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes < 2e-16       -          -        
## o_xiphias  0.014         < 2e-16    -        
## t_arcus    < 2e-16       3.4e-08    < 2e-16  
## 
## P value adjustment method: bonferroni
p1 <- ggplot(BD_Coleoptera, aes(x =especies , y =no3 )) + geom_boxplot(fill='#A4A4A4', color="black",notch=TRUE)
p1 + labs(x= "Especie", y = "Concentración de NO3 (mg*kg-1)")

##### Figura 2. Tamaño total de los individuos en función de la especie

Tamaño total de los individuos en función de la especie

b<- lm(largohumero ~ especies)
summary(b)
## 
## Call:
## lm(formula = largohumero ~ especies)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.3174 -0.3982 -0.0064  0.4062  3.0940 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        13.24334    0.03852   343.8   <2e-16 ***
## especieso_notiodes -6.33111    0.05448  -116.2   <2e-16 ***
## especieso_xiphias  -7.54623    0.05448  -138.5   <2e-16 ***
## especiest_arcus    -9.54015    0.05448  -175.1   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.844 on 1916 degrees of freedom
## Multiple R-squared:  0.9471, Adjusted R-squared:  0.9471 
## F-statistic: 1.144e+04 on 3 and 1916 DF,  p-value: < 2.2e-16
shapiro.test(b$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  b$residuals
## W = 0.97336, p-value < 2.2e-16
tapply(largohumero ,especies,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           480           480           480           480
fligner.test( largohumero ~ especies)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  largohumero by especies
## Fligner-Killeen:med chi-squared = 527.66, df = 3, p-value < 2.2e-16
anova2<- kruskal.test(largohumero~ especies)
anova2
## 
##  Kruskal-Wallis rank sum test
## 
## data:  largohumero by especies
## Kruskal-Wallis chi-squared = 1671.8, df = 3, p-value < 2.2e-16
pairwise.wilcox.test(largohumero,especies, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  largohumero and especies 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes <2e-16        -          -        
## o_xiphias  <2e-16        <2e-16     -        
## t_arcus    <2e-16        <2e-16     <2e-16   
## 
## P value adjustment method: bonferroni
p3 <- ggplot(BD_Coleoptera, aes(x =especies , y = length )) + geom_boxplot(fill='#A4A4A4', color="black",notch=TRUE)
p3 + labs(x= "Especie", y = "Largo del húmero (mm)")

Figura 2. Tamaño total de los individuos en función de la especie

Ancho del húmero en función de la especie

c<- lm(anchohumero ~ especies)
summary(c)
## 
## Call:
## lm(formula = anchohumero ~ especies)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.6259 -0.3658  0.0005  0.3475  4.7243 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)         7.18242    0.05042  142.46   <2e-16 ***
## especieso_notiodes -3.28346    0.07130  -46.05   <2e-16 ***
## especieso_xiphias  -4.08965    0.07130  -57.36   <2e-16 ***
## especiest_arcus    -4.96623    0.07130  -69.65   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.105 on 1916 degrees of freedom
## Multiple R-squared:  0.7433, Adjusted R-squared:  0.7429 
## F-statistic:  1850 on 3 and 1916 DF,  p-value: < 2.2e-16
shapiro.test(c$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  c$residuals
## W = 0.91808, p-value < 2.2e-16
tapply(anchohumero,especies,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           480           480           480           480
fligner.test( anchohumero~ especies)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  anchohumero by especies
## Fligner-Killeen:med chi-squared = 992.89, df = 3, p-value < 2.2e-16
anova3<- kruskal.test(anchohumero~ especies)
anova3
## 
##  Kruskal-Wallis rank sum test
## 
## data:  anchohumero by especies
## Kruskal-Wallis chi-squared = 1285.1, df = 3, p-value < 2.2e-16
pairwise.wilcox.test(anchohumero,especies, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  anchohumero and especies 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes <2e-16        -          -        
## o_xiphias  <2e-16        <2e-16     -        
## t_arcus    <2e-16        <2e-16     <2e-16   
## 
## P value adjustment method: bonferroni
p2 <- ggplot(BD_Coleoptera, aes(x =especies , y = hum_width )) + geom_boxplot(fill='#A4A4A4', color="black",notch=TRUE)
p2 + labs(x= "Especie", y = "Largo del húmero (mm)")

Figura 3. Ancho del húmero en función de la especie“,x=”Especie“, y =”Largo del húmero (mm)

Temperatura del aire según la época

d<- lm(temperatura ~ especies)
summary(d)
## 
## Call:
## lm(formula = temperatura ~ especies)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -4.3187 -0.2913 -0.0077  0.2917  3.2997 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)        23.50057    0.05968  393.79   <2e-16 ***
## especieso_notiodes  2.47920    0.08440   29.38   <2e-16 ***
## especieso_xiphias   2.48263    0.08440   29.42   <2e-16 ***
## especiest_arcus     2.52205    0.08440   29.88   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.307 on 1916 degrees of freedom
## Multiple R-squared:  0.4062, Adjusted R-squared:  0.4053 
## F-statistic: 436.9 on 3 and 1916 DF,  p-value: < 2.2e-16
shapiro.test(d$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  d$residuals
## W = 0.86722, p-value < 2.2e-16
tapply(temperatura,especies,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           480           480           480           480
fligner.test( temperatura ~ especies)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  temperatura by especies
## Fligner-Killeen:med chi-squared = 1271.6, df = 3, p-value < 2.2e-16
anova4<- kruskal.test(temperatura ~ especies)
anova4
## 
##  Kruskal-Wallis rank sum test
## 
## data:  temperatura by especies
## Kruskal-Wallis chi-squared = 260.43, df = 3, p-value < 2.2e-16
pairwise.wilcox.test(temperatura,especies, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  temperatura and especies 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes <2e-16        -          -        
## o_xiphias  <2e-16        1.00       -        
## t_arcus    <2e-16        0.34       0.46     
## 
## P value adjustment method: bonferroni
p5 <- ggplot(BD_Coleoptera, aes(x =epoca , y = temp_aire)) + geom_boxplot(fill='#A4A4A4', color="black",notch=TRUE)
p5 + labs(x= "Época", y = "Temperatura (C°)")

p6 <- ggplot(BD_Coleoptera, aes(x =epoca , y = temp_aire, fill= sitio)) + geom_boxplot(notch=TRUE)
p6 + labs(x= "Época", y = "Temperatura (C°)") +
  scale_fill_brewer(palette="Blues")

p7 <- ggplot(BD_Coleoptera, aes(x =especies , y = temp_aire)) + geom_boxplot(fill='#A4A4A4', color="black",notch=TRUE)
p7 + labs(title= "Temperatura del aire según la especie ",x= "Especie", y = "Temperatura (C°)")

p8 <- ggplot(BD_Coleoptera, aes(x =epoca , y = temp_aire, fill= especies)) + geom_boxplot(notch=TRUE)
p8 + labs(x= "Época", y = "Temperatura (C°)") +
  scale_fill_brewer(palette="Blues")

lm.anova.2 <- lm(Experimento$actividad~Experimento$especie)
summary(lm.anova.2)
## 
## Call:
## lm(formula = Experimento$actividad ~ Experimento$especie)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -19.779  -2.406   0.052   2.488  15.791 
## 
## Coefficients:
##                               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                    60.3691     0.4241  142.35   <2e-16 ***
## Experimento$especieo_notiodes -15.3753     0.5998  -25.64   <2e-16 ***
## Experimento$especieo_xiphias  -14.7869     0.5998  -24.66   <2e-16 ***
## Experimento$especiet_arcus    -24.1695     0.5998  -40.30   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.646 on 476 degrees of freedom
## Multiple R-squared:  0.7787, Adjusted R-squared:  0.7773 
## F-statistic: 558.3 on 3 and 476 DF,  p-value: < 2.2e-16
shapiro.test(lm.anova.2$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  lm.anova.2$residuals
## W = 0.96444, p-value = 2.222e-09
tapply(Experimento$actividad,Experimento$especie,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           120           120           120           120
fligner.test( Experimento$actividad~Experimento$especie)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Experimento$actividad by Experimento$especie
## Fligner-Killeen:med chi-squared = 78.465, df = 3, p-value < 2.2e-16
kruskal.test(Experimento$actividad~Experimento$especie)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Experimento$actividad by Experimento$especie
## Kruskal-Wallis chi-squared = 346.05, df = 3, p-value < 2.2e-16
pairwise.wilcox.test(Experimento$actividad,Experimento$especie, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  Experimento$actividad and Experimento$especie 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes <2e-16        -          -        
## o_xiphias  <2e-16        1          -        
## t_arcus    <2e-16        <2e-16     <2e-16   
## 
## P value adjustment method: bonferroni
pe2 <- ggplot(Experimento, aes(x = especie, y = actividad)) + geom_boxplot(fill='#A4A4A4', color="black",notch=TRUE)
pe2 + labs(title="Actividad de los individuos con respecto a la especie",x= "Especie", y = "Actividad (min)")

Con respecto al análisis de concentración de no3 se observó que en el momento de la captura de la especie Trichillum arcus se contaba con concentraciones mayores a los otros momentos de captura de las demás especies, luego se encontraba la especie Onthophagus notiodes que tenía cantidades similares de no3 circundante. En base al tamaño de los humeros se determinó que la especie Copris tridentatus es la que cuenta con el humero más ancho (7 mm aprox.) y de igual forma el más largo (13-14 mm aprox.). En el análisis de temperatura y especie, se observa que solo una especie (Copris tridentatus) está adaptada a las bajas temperaturas de la época lluviosa que rondan los 20 a 22 grados, a diferencia de las demás especies.

no3(R2=586.73; df = 3, 1916; p<0.05)

largo(R2=1671.8; df = 3, 1916; p<0.05)

ancho (R2=1241.8; df = 3, 1916; p<0.05)

temperatura(R2=260.43; df = 3, 1916; p<0.05)