Dominancia de Viburnum costaricanum en diferentes coberturas forestales de Costa Rica
Arianna Campos Carpio1, Nohelia Castro Rodríguez1
Resumen
El Fósforo y el Nitrógeno son nutrientes de gran importancia para el desarrollo de las plantas. En este estudio se evaluó la abundancia de cuatro especies con respecto a la cantidad de dichos elementos en el suelo y mantillo en distintas coberturas forestales de Costa Rica, con la finalidad de entender el funcionamiento de estos elementos en ellas, así como observar el comportamiento nutricional durante las estaciones presentes en el país. Se logró determinar la abundancia del Nitrógeno durante la estación lluviosa y la reducción del Fosforo en esta, así como la influencia de dicho comportamiento sobre la abundancia de las especies y el intercambio continuo de nutrientes existente entre el mantillo y el suelo. Los resultados mostraron la predominancia de la especie Viburnum costaricanum en absorción de nutrientes y por ende en la abundancia de todas las coberturas forestales, igualmente, se logró explicar las diferencias de abundancia existente entre las estaciones.
Palabras clave:Mantillo, Suelo, Fósforo, Nitrógeno, Bosque secundario.
Introducción
La descomposición de la materia orgánica en el mantillo es un proceso natural de gran importancia en los ecosistemas. Este es utilizado como una medida de renovación de los nutrientes que están contenidos en el suelo, ya que aporta estos nutrientes a las plantas, lo cual ayuda a una mayor riqueza de especies; posee una función importante en los procesos naturales en un ecosistema, el cual se puede ver afectado por la deforestación, ya que la cobertura vegetal ejerce efectos directos sobre la naturaleza del mantillo (Guzmán & Walker 1991; Xiong et al., 2003; Liu et al., 2006).
En cuanto al fósforo (P) y el nitrógeno (N), juegan un papel importante en la calidad del mantillo, asimismo, son nutrientes esenciales en las plantas, el P es utilizado para la síntesis del ATP, ADN, ARN; y el N está asociado con las proteínas. Proporcionan un crecimiento rápido de las plantas (Flindt, 2005).
Además, la temperatura y la precipitación poseen un papel significativo sobre el nitrógeno y el fósforo en el mantillo, ya que la concentración de N en el mantillo es directamente proporcional con la temperatura y la precipitación, esto quiere decir que, si la temperatura y las precipitaciones aumentan, el N aumenta. Por el contrario, el P disminuye si las precipitaciones y la temperatura aumentan (Yuan et al., 2009; Liu et al., 2006).Por otra parte, el tipo de bosque influye en la cantidad de P y N presente en el suelo, siendo así que en los bosques templados existe un deficiencia de N y en los tropicales hay deficiencias de P debido a la acidez presente en los suelos de este (Liu et al., 2015).
Para comprender el trabajo en conjunto que realizan el N y P , siendo estos los que determinan el crecimiento de la planta, es necesario entender el funcionamiento de dichos elementos individualmente en el suelo. La fijación del N en el suelo se da mediante microorganismos inmersos en este dando lugar al proceso de nitrificación, sin embargo, la cantidad de este se ve regido por factores como la humedad y la temperatura, además, se ha determinado que las concentraciones de N en el suelo no son de gran importancia para los cultivos agrícolas por sí solo. El P por su parte es de gran importancia para la productividad agrícola debido a que ayuda al desarrollo de la planta, dicho elemento se encuentra mayormente inmerso en el suelo, no obstante, la cantidad de este elemento se ve afectado por los factores mencionados anteriormente. La acción del N y P en conjunto en las plantas va más allá de solamente el desarrollo vegetal, de igual forma, son importantes para los microorganismos que viven en el suelo y la cadena trófica de este con el objetivo de que exista un bueno desarrollo de cultivos y ecosistemas. (Cerón Rincón & Aristizábal Gutiérrez, 2012)
Objetivos
General
Analizar la abundancia de las distintas especies con respecto a la cantidad de P y N presentes en mantillo y suelo.
Específicos
1.Explicar el comportamiento estacional del P y N en mantillo y suelo.
2.Determinar si la germinación de semillas y concentración de fosforo se ve influenciada por la temperatura y la disponibilidad de luz.
Materiales y métodos
Área de estudio
Este trabajo se efectuó en cuatro sitios ubicados en las laderas que rodean el Valle de Orosi, Cartago, Costa Rica. Estos sitios corresponden al bosque secundario maduro (>50 años; BS1), bosque secundario (~ 25años; BS2), bosque secundario (~ 10años; BS3) y Tacotal (~ 10años; T). En cada uno de ellos se realizaron 30 cuadrantes de 10m2 de muestreo, con el fin de evaluar la composición de nutrientes, midiendo el porcentaje del fósforo y nitrógeno en el mantillo y suelo en cada uno de los cuadrantes, así como, la distribución poblacional. Se eligieron cuatro especies de plantas Viburnum costaricanum (VC), Lozania mutisiana (LM), Symphonia globulifera (SG) e Ilex lamprophylla (IL), esto debido a que presentan una mayor abundancia natural. Los datos se evaluaron en dos años, en el 2009 y 2019, en las dos estaciones del año.
Análisis de datos
Distribución de especies: Para la variable abundancia se realizó una serie gráficos de barras para comparar la abundancia de cada especie con relación a los sitios y a la estación, de esta manera determinar cuál especie se encuentra en mayor cantidad.
Probabilidades discretas y normales:Se realizaron pruebas de probabilidad discreta para las diferentes especies (VC, LM, IL Y SG) con respecto a la abundancia en los sitios de muestreo, se utilizaron BS1,BS2,BS3 y BS4 uno para cada especie respectivamente, tomando en cuenta la abundancia en las diferentes estaciones del año. Por otra parte, para las probabilidades de distribución normal se analizaron las probabilidades de encontrar mayor o menor abundancia para la especie VC en 15 cuadrantes en función de la cantidad de P en el mantillo durante la estación seca.
Pruebas de hipótesis:Se realizaron cuatro pruebas de hipótesis para determinar la variación del fósforo y nitrógeno en suelo y mantillo estacionalmente. Las variables se sometieron a una prueba de normalidad de Shapiro y una de homocedasticidad. Posteriormente se aplicó Wilcoxon para conocer cual hipótesis se cumplía.
Pruebas de chi-cuadrado: Se realizó un promedio de abundancia de las especies para las estaciones en los años (2009-2019) y los sitios, se efectuaron dos cuadros para cada caso. Se aplicó una prueba de Fisher en ambos para probar si existían diferencias en la abundancia de las especies con respecto a los sitios y estaciones.
Correlaciones:Se filtraron los datos de fósforo y nitrógeno en mantillo y suelo junto con la abundancia de cada especie, se sometieron las variables a una prueba de normalidad de Shapiro, luego, se realizó una matriz de correlación mediante el método de Spearman para cada especie (VC, LM, SG, IL), a la cual se le extrajeron los valores de p, R y la significancia de sus correlaciones. Por último, se tabularon los resultados obtenidos con el coeficiente de correlación.
Regresiones:Mediante dos regresiones, se diseñaron ecuaciones con las cuales se explica la variación del fósforo y nitrógeno en suelo y mantillo, esto en VC por ser la más abundante. A las variables se les aplicaron los supuestos de normalidad, autocorrelación y homocedasticidad, para determinar cuan bien el diseño se ajusta al modelo obtenido.
Análisis de varianza: Se realizaron dos análisis de varianza para determinar si existían diferencias significativas en el número de semillas germinadas con relación a la temperatura y disponibilidad de luz y sombra. Los datos se sometieron a una prueba de normalidad de Shapiro, se utilizó Kruskal-Wallis para realizar el modelo, además, por medio de Fligner se analizó la homocedasticidad de los datos.
Posteriormente, se realizaron dos análisis de varianza utilizando el porcentaje de fosforo como variable, mientras temperatura y disponibilidad de luz como factores. Luego se sometieron a las pruebas de normalidad y homocedasticidad.
Resultados
Distribución de especies:Tanto en la distribución de especies con relación a la estacionalidad como la distribución con respecto a los sitios, la que se encuentra en mayor cantidad es la VC. La misma varía con respecto a las estaciones, presentando mayor abundancia en la época lluviosa y en relación a los sitios esta se encuentra en mayor cantidad en el bosque secundario maduro.
Figura 1. Distribución de especies estacionalmente y por sitios
Probabilidades discretas y normales: En las pruebas de probabilidad discreta para la especie VC se obtuvo que existe mayor probabilidad de encontrarla durante la época lluviosa. Mientras que para LM se determinó que la probabilidad de encontrar dicha especie durante las estaciones era exactamente la misma. En el caso de SG se obtuvo como resultado que es más probable encontrarla durante la estación lluviosa. Por último, se obtuvo que para IL la probabilidad de encontrarla es igual en ambas épocas.
Por otra parte, los resultados de las probabilidades con distribución normal determinaron que durante la época seca la abundancia de árboles de VC en los 15 cuadrantes aumentaba con el porcentaje de P presente en el mantillo, mientras que si este se reducía la abundancia de dicha especie se veía afectada.
Pruebas de hipótesis: De las pruebas de hipótesis que se realizaron para determinar el efecto de la época sobre la concentración de nutrientes tanto en mantillo como es suelo, se obtuvo que la concentración del fósforo en el suelo es menor significativamente en la época lluviosa.
Cuadro 1. Hipótesis de variación nutricional en las estaciones
Pruebas de chi-cuadrado:Los resultados de la prueba de Fisher (p=1) mostraron que la abundancia de las especies no varía según el sitio ni la estación en la que se encuentren, sin embargo, la especie Viburnum costaricanum demostró poseer mayor abundancia a través de los años y las estaciones, reiterando lo descrito en la distribución de especies (Figuras 1 y 2)
Cuadro 2. Promedio de la abundancia de las especies con respecto a los sitios y estaciones
Correlaciones:Las variables abundancia, fósforo en mantillo, Fósforo en suelo, nitrógeno en mantillo y Nitrógeno en suelo, son no paramétricas (Shapiro p<0.05). Las matrices de correlación de Spearman reflejaron que en general todas las correlaciones de los elementos son positivas, el único caso en el que la correlación no es significativa es en la abundancia con fósforo en el suelo de SG e IL.
Cuadro 3. Correlaciones de especies con los elementos en mantillo y suelo
Pm: Fósforo en el mantillo; Ps: Fósforo en el suelo; Nm: Nitrógeno en el mantillo; Ns: Nitrógeno en el suelo. p<0.001 *** , p<0.01 ** , p<0.05 * y n.s: no significativo.
Regresiones:Las dos regresiones resultaron ser significativas, las ecuaciones obtenidas se ajustan a la distribución de los datos. Utilizando un número de la variable independiente (Nm o Pm) se puede obtener su par ordenado, que corresponde al valor dependiente (Ns o Ps). El N o P del suelo aumentan con el presente en el mantillo, debido a la tasa de intercambio existente entre ellos, la cual se ve reflejada en la pendiente obtenida en cada regresión.
Figura 2. Regresiones de Fósforo y Nitrógeno en mantillo y suelo
Análsis de varianza: En las ANDEVAS realizadas entre número de semillas germinadas, temperatura y disponibilidad de luz, mediante la prueba de Fligner se determinó que los datos eran heterocedasticos (p<0.05) por lo que el modelo no se ajustaba y se descartó un posible análisis.
En el análisis de varianza con respecto al Fósforo como variable y a los factores de temperatura y disponibilidad de luz, se determinó que los datos eran normales (Shapiro p>0.05) y homocedasticos (Bartlett p>0.05). A pesar de cumplir con los supuestos ambas resultaron ser no significativas.
Figura 3.Comparación de fósforo en el suelo con diferentes disponibilidades de luz y temperatura, mediante un análisis de varianza
Discusión
En los bosques existen estratos de árboles, donde los dominantes son los que poseen un crecimiento más exitoso (López-Hernández, et al., 2017). Este es el caso de Viburnum costaricanum la cual se encuentra en mayor cantidad y presenta dominancia sobre Lozania mutisiana, Symphonia globulifera e Ilex lamprophylla. Esta dominancia se observó en las pruebas estadísticas realizadas para determinar la variación de especies en las coberturas forestales y estaciones. La especie VC es un arbusto muy resistente, no es exigente en cuanto a la composición del suelo y se adapta a diferentes disponibilidades de luz. Se ve afectada por los vientos fuertes y el frío extermo. Sin embargo, esto no la perjudica en los sitios estudiados, ya que al ser relativamente pequeña las demás plantas del dosel la protejan del viento, y no se ve afectada por el frío ya que en general, Cartago no se presenta temperaturas extremas. Dichas características del género puede que sean las que ayudan a que esta especie domine (Husqvarna, 2019).
El P es un elemento con poca movilidad en el suelo, lo que dificulta a las plantas su absorción, ya que solo lo pueden asimiliar en forma de fosfatos. Debido a esto, la época lluviosa, hace que el P pueda ser obtenido y provechado por las plantas al encontrarse con el agua. Por lo que se registra una menor cantidad de P en el suelo pero, mayor abundancia de todas las especies (Mixquititla et al.,2016).
Se encontró una correlación fuerte entre la abundancia de la VC y la cantidad de nutrientes contenidos en el suelo y mantillo (P y N). Esta relación se logra explicar mediante los efectos de dichos nutrientes en el desarrollo de las plantas, tal y como lo describe Flindt (2005), el primero de estos elementos es el encargado de sintetizar el material genético de la planta y el segundo sus proteínas, lo cual es esencial para el crecimiento y maduración de la planta.
Por otra parte, la cantidad de nutrientes existente en el mantillo está fuertemente correlacionada con la presencia de estos nutrientes en el suelo, debido a la descomposición de materia orgánica del mantillo, la cual renueva continuamente la disponibilidad de los elementos en el suelo (Guzmán & Walker 1991; Xiong et al., 2003; Liu et al., 2006), no obstante, en las especies SG e IL no existía una correlación fuerte entre la cantidad de P en el suelo y la abundancia de dichas especies, lo cual pudo influir en la baja cantidad de estas especies en las coberturas forestales. Los nutrientes del suelo y mantillo presentan una relación lineal positiva para los datos de VC, por lo que conforme aumenta cada elemento en el mantillo este lo hace en el suelo también. Estos resultados indican que existe una alta tasa de transferencia entre ambas coberturas (Silva et al., 2019).
Para la germinación de semillas, la temperatura es un factor decisivo debido a que influye sobre las enzimas que regulan la velocidad de las reacciones bioquímicas que se llevan a cabo en la semilla. La luz y la sombra son factores que también influyen en el proceso de germinación. De acuerdo con Achicanoy & López (1972) el porcentaje de germinación promedio es mayor en condiciones de oscuridad. Aun sabiendo que estos factores intervienen, no se pudieron realizar las pruebas de análisis de varianza ya que resultaron ser heterocedasticos. Además, la concentración de fosfatos se ve afectada por la temperatura, debido a que interviene en la disponibilidad de P en el agua (Carrera et al.,2018). Sin embargo, no reportó diferencias significativas con respecto a la variación del fósforo influenciado por la temperatura.
Conclusiones
Existen especies que sobresalen en la competencia por la absorción de nutrientes, lo cual influye positivamente en su abundancia, convirtiéndola en una especie dominante. En el caso de los sitios estudiados la especie que domina se trata de Viburnum costaricanum, la misma supera a las demás en abundancia tanto en las estaciones como en los años.
El fósforo en el suelo varía con respecto a la estacionalidad, presentando una disminución en la época lluviosa. Esta reducción resulta positiva, ya que es provocada por las plantas, debido a la absorción de fosfatos que las precipitaciones les permiten hacer.
Los nutrientes presentes en el mantillo están fuertemente correlacionados de manera positiva con los presentes en el suelo, por lo que son directamente proporcionales. También existe una correlación fuerte de estos factores con la abundancia de especies.
Referencias bibliográficas
Achicanoy López, H., & López Jurado, G. (1972). INFLUENCIA DE LA LUZ SOBRE LA GERMINACIÓN DE SEMILLAS DE MALEZA DE CLIMA FRÍO / LIGHT INFLUENCE ON THE WEED SEEDS GERMINATION OF COLD CLIMATES. Revista De Ciencias Agrícolas, 4(2). Extraído de https://revistas.udenar.edu.co/index.php/rfacia/article/view/1699
Cerón Rincón, L., & Aristizábal Gutiérrez, F. (2012). Dinámica del ciclo del nitrógeno y fósforo en suelos. Revista Colombiana de Biotecnología, 14(1), 285–295.
Flindt, M. R., & Lillebø, A. I. (2005). Determination of total nitrogen and phosphorus in leaf litter. In Methods to study litter decomposition (pp. 53-59). Springer, Dordrecht.
Guzmán, S.M. & L.R. Walker. (1991). Differential seeding responses to litter after hurricane Hugo in the Luquillo Experimental Forest, Puerto Rico. Biotropica 23: 407-413.
Husqvarna. (2019). Viburnum tinus, o como un arbusto se puede convertir en el protagonista de tu jardín . Extraído de https://www.todohusqvarna.com/blog/viburnum-tinus/
Kang, H., Xin, Z., Berg, B., Burgess, P. J., Liu, Q., Liu, Z., … & Liu, C. (2010). Global pattern of leaf litter nitrogen and phosphorus in woody plants. Annals of forest science, 67(8), 811.
Mixquititla-Casbis, G., & Villegas-Torres, Ó. G. (2016). Importancia de los fosfatos y fosfitos en la nutrición de cultivos. Acta Agrícola y Pecuaria, 2(3).
López-Hernández, J.A., Aguirre-Calderón, O. A., Alanís-Rodríguez, E., Monárrez-Gonzalez, J. C., González-Tagle, M. A. y Jiménez-Pérez, J. (2017). Composición y diversidad de especies forestales en bosques templados de Puebla, México. Madera y Bosques, 23(1), 39-51. doi:10.21829/myb.2017.2311518
LUCENA, Marcelo Silva de; ALVES, Allyson Rocha y ALVES BAKKE, Ivonete.Aporte de mantillo y nutrientes en ecosistema semiárido de Brasil (Caatinga) bajo sistemas silvícolas. Madera bosques [online]. 2019, vol.25, n.1, e2511597. Epub 03-Mayo-2019. ISSN 2448-7597. https://doi.org/10.21829/myb.2019.2511597.
Villacrés, D. C., Varela, E. G., Morales, L. C., Farinango, T. G., Pineda, É. G., & Salazar, P. A. V. (2018). Relación de temperatura, pH y CE en la variación de concentración de fosfatos en el Río Grande, Cantón Chone. Congreso de Ciencia y Tecnología ESPE, 13(1), Article 1. https://doi.org/10.24133/cctespe.v13i1.807
Xiong, S., Johansson, M. E., Hughes, F. M., Hayes, A., Richards, K. S., & Nilsson, C. (2003). Interactive effects of soil moisture, vegetation canopy, plant litter and seed addition on plant diversity in a wetland community. Journal of Ecology, 91(6), 976-986.
Anexos
library(readr)
muestreo <- read_delim("Data/BD_Veg_Fosforomues.csv",
";", escape_double = FALSE, col_types = cols(Abundancia = col_number(),
`Fosforo_mantillo_%` = col_number(),
`Fosforo_suelo_%` = col_number(),
`Nitrogeno_mantillo_%` = col_number(),
`Nitrogeno_suelo_%` = col_number()),
trim_ws = TRUE)
library(readr)
experimento<- read_delim("Data/EXPERIMENTO1.csv",
";", escape_double = FALSE, col_types = cols(Numero_semillas_germinadas = col_number(),
`Fosforo_suelo_%` = col_number()),
trim_ws = TRUE)
View(experimento)
str(experimento)
#Distribución de frecuencias-------------------------------------------------------------------------
#BS1______________________________________________________________________
arbseca2009BS1<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS1"]
sum(arbseca2009BS1) #850
arbseca2019BS1<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS1"]
sum(arbseca2019BS1) #1085
#lluviosa
arblluviosa2009BS1<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS1"]
sum(arblluviosa2009BS1) #819
arblluviosa2019BS1<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS1"]
sum(arblluviosa2019BS1) #1152
#BS2_________________________________________________________________
arbseca2009BS2<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS2"]
sum(arbseca2009BS2) #822
arbseca2019BS2<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS2"]
sum(arbseca2019BS2) #816
#lluviosa
arblluviosa2009BS2<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS2"]
sum(arblluviosa2009BS2) #839
arblluviosa2019BS2<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS2"]
sum(arblluviosa2019BS2) #852
#BS3____________________________________________________________
arbseca2009BS3<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS3"]
sum(arbseca2009BS3)#872
arbseca2019BS3<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS3"]
sum(arbseca2019BS3) #831
#lluviosa
arblluviosa2009BS3<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS3"]
sum(arblluviosa2009BS3) #788
arblluviosa2019BS3<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS3"]
sum(arblluviosa2019BS3) #865
#BS4___________________________________________________________
arbseca2009BS4<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS4"]
sum(arbseca2009BS4) #822
arbseca2019BS4<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Seca" & muestreo$Sitio=="BS4"]
sum(arbseca2019BS4) #835
#lluviosa
arblluviosa2009BS4<-muestreo$Abundancia[muestreo$Anio=="2009" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS4"]
sum(arblluviosa2009BS4) #862
arblluviosa2019BS4<-muestreo$Abundancia[muestreo$Anio=="2019" & muestreo$Estacion=="Lluviosa" & muestreo$Sitio=="BS4"]
sum(arblluviosa2019BS4) #888
#Conclusion: los arboles son mas abundantes en 2019 y en los dos años aumentan su cantidad en época lluviosa
str(muestreo)
muestreo$Abundancia
library(fdth) #Llamamos el paquete
muestreo
par(mfrow=c(1,2))
distabundancia<-fdt(muestreo$Abundancia, breaks = "Sturges")
distabundancia
plot(distabundancia, type="cfh", col="darkslategray2", ylab="Frecuencia", xlab="Intervalos de clase")
plot(distabundancia, type="rfh", col = "darkturquoise", ylab="Frecuencia", xlab="Intervalos de clase")
#Distribución de las especies----------------------------------------
library(tidyverse)
muestreo%>%ggplot(aes(Especie,Abundancia, fill=Especie))+geom_col()+facet_grid(.~ Estacion)+theme_dark()
muestreo%>%ggplot(aes(Especie,Abundancia,fill=Especie))+geom_col()+facet_grid(.~ Sitio)+theme_dark()
#Probabilidad discreta----------------------------------------------------------------
#VC_____________
#Cual es la probabilidad de encontrar exactamente 269 arboles de Viburnum costaricanum (VC)
#en un cuadrante con una muestra de 819 árboles de si la probabilidad de encontrarlos es de un 25%? ¿Cúal es la probabilidad de encontrarlo en época lluviosa
#si la abundancia de arboles en esta es de 1152?
dbinom(269, 819, .25) #en epoca seca hay una probabilidad del 9.518501e-08 de encontrarlo
dbinom(269, 1152, .25) #en epoca lluviosa hay una probabilidad de 0.01189008 de encontrarlo
#LM____________
#al menos 270 arboles de Lozania mutisiana (LM) en epoca seca si la probabilidad de encontrarlos es de
#25% y la muestra 816? ¿Cual sera la probabilidad en epoca lluviosa si la muestra es de 852?
pbinom (260,816,.25)
pbinom (260,852,.25) #para ambas épocas hay un 99% de posibilidad de encontrar 270 arboles de LM
#SG____________
#Cual es la probabilidad de encontrar una abundancia de Symphonia globulifera (SG) igual a 367
#epoca seca si hay una muestra de 831 y un 25% de probabilidad de enontrarla?
#¿Cual es la posibilidad en epoca lluviosa si la muestra es de 865?
dbinom(367, 831, .25) # en seca 2e-33
dbinom(367, 856, .25) # en lluviosa 2e-30
#IL______________
# 457 arboles de Ilex lamprophylla (IL) en epoca seca si la probabilidad de encontrarlos es de
#25% y la muestra 835? ¿Cual sera la probabilidad en epoca lluviosa si la muestra es de 888?
pbinom (450,835,.25) #igual en las dos epocas
pbinom (450,888,.25)
#Porbabilidad normal-----------------------------------------------------------------
#Abundancia de Viburnum costaricanum (VC)
#en 15 cuadrantes #sitio BS1
#SECA
vcseca<-c(14,12,11,13,15,17,13,18,14,18,18,14,17,11,20)
mean(vcseca)
sd(vcseca)
length(vc)
shapiro.test(vcseca) #Si poseen distribucion normal
#Cual es la probabilidad de encontrar 4 Viburnum costaricanum (VC) en un cuadrante si su
#media es de 15 y su desviación estandar de 2.8
(pnorm(4,15,2.8))*2
#R/ 8.545197e-05
pmantilloseca<-c(2.43,2.49,2.43,2.4,2.42,2.43,2.42,2.55,2.5,2.41,2.41,2.49,2.52,2.47,2.5,2.5,2.56,2.48,2.51,2.42,2.54,2.45,2.47,2.47,2.44,2.4,2.43,2.49,2.46, 2.44)
mean(pmantilloseca)
sd(pmantilloseca)
shapiro.test(pmantilloseca) #NORMALES
#Se realizo un estudio en 30 cuadrantes en epoca seca acerca de los nutrientes en el mantillo
#donde crece la especie Viburnum costaricanum (VC) el fosforo en el mantillo de los 30 cuadrantes
#posee una media de 2.46 y una desviacion estandar de 0.04, se encontraron 445 arboles en
#30 cuadrantes, determine
#Cuantos arboles se pueden encontrar en porcentajes de Fosforo de 2.49 a 2.4
pnorm(2.49,2.46,0.04)-pnorm(2.4,2.46,0.04)
0.7065654*100
(70.65654*445)/100 #314.4216 arboles
#Cuantos arboles se pueden encontrar si hay un porcentaje de 2.41 en el mantillo
(pnorm(2.41,2.46,0.04))*2
0.2112995*100
(21.12995*445)/100
#R/ 94.02828 arboles en este porcentaje
#Cuantos arboles se pueden encontrar si hay porcentajes de mas de 2.4 de fosforo en el mantillo
1-pnorm(2.4, 2.46, 0.04)
0.9331928*100
(93.31928*445)/100
#R/415.2708
#Cuantos arboles se encontraran con porcentajes menores a 2.5
pnorm(2.5, 2.46, 0.04)
0.8413447*100
(84.13447*445)/100
#R/ 374.3984 arboles
#Cuantos arboles se pueden encontrar con un porcentaje de P de 2.49 en el mantillo
(1-pnorm(2.49,2.46,0.04))*2
0.4532547*100
(45.32547*445)/100
#R/ 201.6983 arboles
#Hipótesis ---------------------------------------------------------------------------
#Existe diferencia de cantidad de nutrientes presentes en cada época
#H0= La cantidad de P en el mantillo es mayor en época lluviosa, ya que la lluvia ayuda a que las hojas caigan
#H1= La cantidad de P es menor en la lluviosa, ya que se lava
Pmantilloseca<-muestreo$`Fosforo_mantillo_%`[muestreo$Estacion=="Seca"]
Pmantilloseca
length(Pmantilloseca)
shapiro.test(Pmantilloseca) #asimétrico
Pmantillolluviosa<-muestreo$`Fosforo_mantillo_%`[muestreo$Estacion=="Lluviosa"]
Pmantillolluviosa
length(Pmantillolluviosa)
shapiro.test(Pmantillolluviosa) #asismetrico
var.test(Pmantillolluviosa,Pmantilloseca) #pvalue >0.05 "TRUE"
wilcox.test(Pmantilloseca,Pmantillolluviosa, alternative = "less", exact = T, paired = T, var.equal=T)
#por p-value dar >0.05 se acepta la hipotesis H0, por lo que el P en mantillo mayor en la lluviosa, eso quiere decir que la lluvia ayuda a que las hojas caigan y haya más P en el mantillo
#H0= La cantidad de P en el suelo es mayor en la época lluviosa, ya que la lluvia ayuda a la descomposición del mantillo
#H1= La cantidad de P en el suelo es menor en la lluviosa, ya que se lava el P del mantillo
Psueloseca<-muestreo$`Fosforo_suelo_%`[muestreo$Estacion=="Seca"]
Psueloseca
length(Psueloseca)
shapiro.test(Psueloseca) #asimetrica
Psuelolluviosa<-muestreo$`Fosforo_suelo_%`[muestreo$Estacion=="Lluviosa"]
Psuelolluviosa
length(Psuelolluviosa)
shapiro.test(Psuelolluviosa) #asimetrica
var.test(Psueloseca,Psuelolluviosa) #pvalue >0.05 "TRUE"
wilcox.test(Psueloseca,Psuelolluviosa, alternative = "less", paired = T,exact = T, var.equal=T)
#pvalue <0.05, acepto la H1, por lo que la cantidad de P en el suelo es menor en la lluviosa, ya que se lava el P del mantillo
#H0= La cantidad de N en el mantillo es mayor en la época lluviosa, ya que la lluvia ayuda a que las hojas caigan
#H1= La cantidad de N es menor en la lluviosa, ya que se lava
Nmantilloseca<-muestreo$`Nitrogeno_mantillo_%`[muestreo$Estacion=="Seca"]
Nmantilloseca
length(Nmantilloseca)
shapiro.test(Nmantilloseca) #asimétrico
Nmantillolluviosa<-muestreo$`Nitrogeno_mantillo_%`[muestreo$Estacion=="Lluviosa"]
Nmantillolluviosa
length(Nmantillolluviosa)
shapiro.test(Nmantillolluviosa) #asismetrico
var.test(Nmantillolluviosa,Nmantilloseca) #pvalue >0.05 "TRUE"
wilcox.test(Nmantilloseca,Nmantillolluviosa, alternative = "less", exact = T, paired = T, var.equal=T)
#pvalue >0.05, por lo que se acepta la H y quiere decir que La cantidad de N en el mantillo es mayor en cada época lluviosa, ya que la lluvia ayuda a que las hojas caigan
#H0= La cantidad de N en el suelo es mayor en la época lluviosa, ya que la lluvia ayuda a la descomposición del mantillo
#H1= La cantidad de N en el suelo es menor en la lluviosa, ya que se lava el P del mantillo
Nsueloseca<-muestreo$`Nitrogeno_suelo_%`[muestreo$Estacion=="Seca"]
Nsueloseca
length(Nsueloseca)
shapiro.test(Nsueloseca) #asimetrica
Nsuelolluviosa<-muestreo$`Nitrogeno_suelo_%`[muestreo$Estacion=="Lluviosa"]
Nsuelolluviosa
length(Psuelolluviosa)
shapiro.test(Nsuelolluviosa) #asimetrica
var.test(Nsueloseca,Nsuelolluviosa) #pvalue >0.05 "TRUE"
wilcox.test(Nsueloseca,Nsuelolluviosa, alternative = "less", exact =T, paired = T, var.equal=T)
#pvalue >0.05, por lo que se acepta la H0 lo que quiere decir que La cantidad de N en el suelo es mayor en cada época lluviosa, ya que la lluvia ayuda a la descomposición del mantillo
#####CONCLUSIONES DE LAS HIPÓTESIS
#1. La cantidad de P en mantillo es mayor en la lluviosa, eso quiere decir que la lluvia ayuda a que las hojas caigan y haya más P en el mantillo
#2. La cantidad de P en el suelo es menor en la lluviosa, ya que se lava el P del mantillo
#3. La cantidad de N en el mantillo es mayor en cada época lluviosa, ya que la lluvia ayuda a que las hojas caigan
#4. La cantidad de N en el suelo es mayor en cada época lluviosa, ya que la lluvia ayuda a la descomposición del mantillo
#Chi-cuadrado ------------------------------------------------------------------------
#SITIOS
#VC
VCBS1<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Sitio== "BS1" ]
mean(VCBS1) # 17.20833
VCBS2<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Sitio== "BS2"]
VCBS3<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Sitio== "BS3"]
VCBS4<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Sitio== "BS4"]
#LM
LMBS1<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Sitio== "BS1" ]
LMBS2<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Sitio== "BS2"]
LMBS3<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Sitio== "BS3" ]
LMBS4<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Sitio== "BS4" ]
#SG
SGBS1<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Sitio== "BS1"]
SGBS2<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Sitio== "BS2"]
SGBS3<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Sitio== "BS3"]
SGBS4<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Sitio== "BS4"]
#IL
ILBS1<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Sitio== "BS1" ]
ILBS2<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Sitio== "BS2" ]
ILBS3<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Sitio== "BS3" ]
ILBS4<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Sitio== "BS4" ]
BS1<-c((sum(VCBS1)),(sum(LMBS1)),(sum(SGBS1)),(sum(ILBS1)) )
BS2<-c((sum(VCBS2)),(sum(LMBS2)),(sum(SGBS2)),(sum(ILBS2)) )
BS3<-c((sum(VCBS3)),(sum(LMBS3)),(sum(SGBS3)),(sum(ILBS3)) )
BS4<-c((sum(VCBS4)),(sum(LMBS4)),(sum(SGBS4)),(sum(ILBS4)) )
BS1<-c((mean(VCBS1)),(mean(LMBS1)),(mean(SGBS1)),(mean(ILBS1)) )
BS2<-c((mean(VCBS2)),(mean(LMBS2)),(mean(SGBS2)),(mean(ILBS2)) )
BS3<-c((mean(VCBS3)),(mean(LMBS3)),(mean(SGBS3)),(mean(ILBS3)) )
BS4<-c((mean(VCBS4)),(mean(LMBS4)),(mean(SGBS4)),(mean(ILBS4)) )
especies<-data.frame(BS1,BS2, BS3,BS4)
especies
row.names(especies)<- c("VC", "LM", "SG", "IL")
especies # promedio de abundancia de las especies en los 4 sitios
chisq.test(especies)$expected
fisher.test(especies, simulate.p.value = T)
chisq.test(VCBS1)
#ESTACIONES
VCS2009<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Estacion== "Seca" & muestreo$Anio==2009 ]
VCS2019<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Estacion== "Seca" & muestreo$Anio==2019]
VCL2009<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Estacion== "Lluviosa" & muestreo$Anio==2009]
VCL2019<-muestreo$Abundancia[muestreo$Especie== "VC" & muestreo$Estacion== "Lluviosa" & muestreo$Anio==2019]
#LM
LMS2009<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Estacion== "Seca"& muestreo$Anio==2009 ]
LMS2019<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Estacion== "Seca" & muestreo$Anio==2019 ]
LML2019<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Estacion== "Lluviosa" & muestreo$Anio==2019 ]
LML2009<-muestreo$Abundancia[muestreo$Especie== "LM" & muestreo$Estacion== "Lluviosa" & muestreo$Anio==2009 ]
#SG
SGS2009<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Estacion== "Seca"& muestreo$Anio==2009 ]
SGS2019<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Estacion== "Seca"& muestreo$Anio==2019 ]
SGL2009<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Estacion== "Lluviosa" & muestreo$Anio==2009 ]
SGL2019<-muestreo$Abundancia[muestreo$Especie== "SG" & muestreo$Estacion== "Lluviosa"& muestreo$Anio==2019 ]
#IL
ILS2009<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Estacion== "Seca" & muestreo$Anio==2009 ]
ILS2019<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Estacion== "Seca" & muestreo$Anio==2019 ]
ILL2009<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Estacion== "Lluviosa" &muestreo$Anio==2009 ]
ILL2019<-muestreo$Abundancia[muestreo$Especie== "IL" & muestreo$Estacion== "Lluviosa" &muestreo$Anio==2019 ]
seca2009<-c((mean(VCS2009)),(mean(LMS2009)),(mean(SGS2009)),(mean(ILS2009)))
seca2019<-c((mean(VCS2019)),(mean(LMS2019)),(mean(SGS2019)),(mean(ILS2019)))
lluviosa2009<-c((mean(VCL2009)),(mean(LML2009)),(mean(SGL2009)),(mean(ILL2009)))
lluviosa2019<-c((mean(VCL2019)),(mean(LML2019)),(mean(SGL2019)),(mean(ILL2019)))
estaciones<-data.frame(seca2009,seca2019,lluviosa2009,lluviosa2019)
row.names(estaciones)<-c("VC", "LM", "SG", "IL")
estaciones
chisq.test(estaciones)$expected
fisher.test(estaciones, simulate.p.value = T) #abundancia es igual
#No influyen la epoca, el año ni el sitio, sin embargo se nota que VC es la mas abundante siempre.
VC<-c(18,12)
LM<-c(9,6)
SG<-c(5,3)
IL<-c(2,2)
abundancia<-data.frame(VC,LM,SG,IL)
row.names(abundancia)<-c("Seca", "Lluviosa")
abundancia
#Se realizo un estudio acerca de la abundancia de 4 especies en el bosque secundario maduro en epoca
#seca y lluviosa donde se quiere determminar si existen diferrencias entre la abundancia de la especies
#en el cuadrante 10
#Ho= No hay diferencias significativas en la abundancia de estas especies en época seca o lluviosa
#Hi= Hay diferencias significativas
chisq.test(abundancia)$expected
fisher.test(abundancia)
#No existen diferencias significativas entre la abundancias de las especies en las epocas del año
#gráficos ____________________________________________-
MediaValor1 <- tapply(muestreo$Abundancia, muestreo$Estacion, mean)
MediaValor1
abajo1 <- tapply(muestreo$Abundancia, muestreo$Estacion, function(v) t.test(v)$conf.int[1])
abajo1
arriba1 <- tapply(muestreo$Abundancia, muestreo$Estacion, function(v) t.test(v)$conf.int[2])
arriba1
par(mfrow=c(1,1)) #filas,columnas
par(mar=c(5,5,3,2)+0.1) #margenes
library(gplots)
barplot2(MediaValor1, plot.ci=T,
ci.l=abajo1, ci.u=arriba1,
xlab= "Estación" , ylab= "Abundancia" ,
ylim=c(0, 50),
col="blue")
#Regresiones -------------------------------------------------------------------------
PmantilloVC<- muestreo$`Fosforo_mantillo_%`[muestreo$Especie=="VC"]
PsueloVC<- muestreo$`Fosforo_suelo_%`[muestreo$Especie=="VC"]
#Pmatillo: independiente #Psuelo: dependiente
p_mantillo_sueloVC<-data.frame(PmantilloVC,PsueloVC)
p_mantillo_sueloVC
VCmantsueloP<-lm(PsueloVC~PmantilloVC, data= muestreo)
VCmantsueloP #intercepto=-0.04654 independiente #0.15465
library(lmtest)
dwtest(VCmantsueloP) #No hay autocorrelación
shapiro.test(VCmantsueloP$residuals) #asimétrico
library(car)
ncvTest(VCmantsueloP)#Son homocedasticos
summary(VCmantsueloP)
#y=0.154654x+-0.046541
anova(VCmantsueloP)
par(mfrow= c(2,2))
plot(VCmantsueloP)
shapiro.test(residuals(VCmantsueloP))
library(visreg)
library(ggplot2)
ggplot(VCmantsueloP, aes(x=PmantilloVC, y=PsueloVC)) +geom_point(shape=1) + geom_smooth(method=lm)
NmantilloVC<- muestreo$`Nitrogeno_mantillo_%`[muestreo$Especie=="VC"]
NsueloVC<- muestreo$`Nitrogeno_suelo_%`[muestreo$Especie=="VC"]
#Pmatillo: independiente #Psuelo: dependiente
n_mantillo_sueloVC<-data.frame(NmantilloVC,NsueloVC)
n_mantillo_sueloVC
VCmantsueloN<-lm(NsueloVC~NmantilloVC, data= muestreo)
VCmantsueloN #intercepto=-0.04654 independiente #0.15465
library(lmtest)
dwtest(VCmantsueloN) #No hay autocorrelación
shapiro.test(VCmantsueloN$residuals) #normal
library(car)
ncvTest(VCmantsueloN)#Son homocedasticos
summary(VCmantsueloN)
#y=0.154654x+-0.046541
anova(VCmantsueloN)
par(mfrow= c(2,2))
plot(VCmantsueloN)
shapiro.test(residuals(VCmantsueloN))
library(visreg)
ggplot(VCmantsueloN, aes(x=NmantilloVC, y=NsueloVC)) +geom_point(shape=1) + geom_smooth(method=lm)
#Correlaciones------------------------------------------------------------------------
#BASE DE DATOS_____
#VC____________________________
library(readr)
library(Hmisc)
VC <- read_delim("Data/VC.csv", ";", escape_double = FALSE,
col_types = cols(Abundancia = col_number(),
`Fosforo_mantillo_%` = col_number(),
`Fosforo_suelo_%` = col_number(),
`Nitrogeno_mantillo_%` = col_number(),
`Nitrogeno_suelo_%` = col_number()),
trim_ws = TRUE)
View(VC)
#LM_____________________________
library(readr)
LM <- read_delim("Data/LM.csv", ";", escape_double = FALSE,
col_types = cols(Abundancia = col_number(),
`Fosforo_mantillo_%` = col_number(),
`Fosforo_suelo_%` = col_number(),
`Nitrogeno_mantillo_%` = col_number(),
`Nitrogeno_suelo_%` = col_number()),
trim_ws = TRUE)
View(LM)
#SG_______________________________
library(readr)
SG <- read_delim("Data/SG.csv", ";", escape_double = FALSE,
col_types = cols(Abundancia = col_number(),
`Fosforo_mantillo_%` = col_number(),
`Fosforo_suelo_%` = col_number(),
`Nitrogeno_mantillo_%` = col_number(),
`Nitrogeno_suelo_%` = col_number()),
trim_ws = TRUE)
View(SG)
#IL________________________________
library(readr)
IL <- read_delim("Data/IL.csv", ";", escape_double = FALSE,
col_types = cols(Abundancia = col_number(),
`Fosforo_mantillo_%` = col_number(),
`Fosforo_suelo_%` = col_number(),
`Nitrogeno_mantillo_%` = col_number(),
`Nitrogeno_suelo_%` = col_number()),
trim_ws = TRUE)
View(IL)
#Abundancia y nutrientes General____________________
library("PerformanceAnalytics")
my_dataVC <- VC[c(1:480),c(2,3,4,5,6)]
chart.Correlation(my_dataVC, histogram=TRUE, pch=19)
my_dataLM <- LM[c(1:480),c(2,3,4,5,6)]
chart.Correlation(my_dataLM, histogram=TRUE, pch=19)
my_dataSG<- SG[c(1:480),c(2,3,4,5,6)]
chart.Correlation(my_dataSG, histogram=TRUE, pch=19)
my_dataIL<- IL[c(1:480),c(2,3,4,5,6)]
chart.Correlation(my_dataIL, histogram=TRUE, pch=19)
#MATRICES________________________
#PARA VC
shapiro.test(VC$Abundancia)
shapiro.test(VC$`Fosforo_mantillo_%`)
shapiro.test(VC$`Fosforo_suelo_%`)
shapiro.test(VC$`Nitrogeno_mantillo_%`)
shapiro.test(VC$`Nitrogeno_suelo_%`)
VCmatriz<- VC[c(1:480),c(2,3,4,5,6)]
VCmatriz
VCcorr<- cor(VCmatriz, method = "spearman")
VCcorr
VCcorr1<-rcorr(as.matrix(VCmatriz))
VCcorr1
VCcorr1$r
p<-VCcorr1$P
VCsig<-ifelse(p<0.001, "***", ifelse(p<0.01, "**", ifelse(p<0.05, "*", "n.s.")) )
VCsig
#PARA LM
shapiro.test(LM$Abundancia)
shapiro.test(LM$`Fosforo_mantillo_%`)
shapiro.test(LM$`Fosforo_suelo_%`)
shapiro.test(LM$`Nitrogeno_mantillo_%`)
shapiro.test(LM$`Nitrogeno_suelo_%`)
LMmatriz<- LM[c(1:480),c(2,3,4,5,6)]
LMmatriz
LMcorr<- cor(LMmatriz, method = "spearman")
LMcorr
LMcorr1<-rcorr(as.matrix(LMmatriz))
LMcorr1$P
pLM<-LMcorr1$P
LMsig<-ifelse(pLM<0.001, "***", ifelse(pLM<0.01, "**", ifelse(pLM<0.05, "*", "n.s.")) )
LMsig
#SG
shapiro.test(SG$Abundancia)
shapiro.test(SG$`Fosforo_mantillo_%`)
shapiro.test(SG$`Fosforo_suelo_%`)
shapiro.test(SG$`Nitrogeno_mantillo_%`)
shapiro.test(SG$`Nitrogeno_suelo_%`)
SGmatriz<- SG[c(1:480),c(2,3,4,5,6)]
SGmatriz
SGcorr<- cor(SGmatriz, method = "spearman")
SGcorr
SGcorr1<-rcorr(as.matrix(SGmatriz))
pSG<-SGcorr1$P
SGsig<-ifelse(pSG<0.001, "***", ifelse(pSG<0.01, "**", ifelse(pSG<0.05, "*", "n.s.")) )
SGsig
#IL
shapiro.test(IL$Abundancia)
shapiro.test(IL$`Fosforo_mantillo_%`)
shapiro.test(IL$`Fosforo_suelo_%`)
shapiro.test(IL$`Nitrogeno_mantillo_%`)
shapiro.test(IL$`Nitrogeno_suelo_%`)
ILmatriz<- IL[c(1:480),c(2,3,4,5,6)]
ILmatriz
ILcorr<- cor(ILmatriz, method = "spearman")
ILcorr
ILcorr1<-rcorr(as.matrix(ILmatriz))
pIL<-ILcorr1$P
ILsig<-ifelse(pIL<0.001, "***", ifelse(pIL<0.01, "**", ifelse(pIL<0.05, "*", "n.s.")) )
ILsig
#Correlaciones entre el mantillo y suelo de VC epoca seca en sitio BS1
matrizcorr<-BD_Veg_Fosforo[c(1:31) , c(7,8,9,10,11)]
matrizcorr
BS1VCseca<- cor(matrizcorr)
BS1VCseca
BS1VC2seca<- rcorr(as.matrix(matrizcorr))
BS1VC2seca
BS1VC2seca$r #extrae coeficiente de correlacion
BS1VC2seca$P #extrae pvalue
#VC epoca lluviosa
matrizcorr<-BD_Veg_Fosforo[c(32:61) , c(7,8,9,10,11)]
matrizcorr
BS1VClluviosa<- cor(matrizcorr)
BS1VClluviosa
BS1VC2lluviosa<- rcorr(as.matrix(matrizcorr))
BS1VC2lluviosa
BS1VC2lluviosa$r #extrae coeficiente de correlacion
BS1VC2lluviosa$P #extrae pvalue
#Correlaciones entre el mantillo y suelo de VC entre epocas en sitio BS1
matrizcorr<-BD_Veg_Fosforo[c(1:60) , c(7,8,9,10,11)]
matrizcorr
BS1VC<- cor(matrizcorr)
BS1VC
BS1VC2<- rcorr(as.matrix(matrizcorr))
BS1VC2
BS1VC2$r #extrae coeficiente de correlacion
BS1VC2$P #extrae pvalue
#Para LM
matrizcorr<-BD_Veg_Fosforo[c(61:121) , c(7,8,9,10,11)]
matrizcorr
BS1LM<- cor(matrizcorr)
BS1LM
BS1LM2<- rcorr(as.matrix(matrizcorr))
BS1LM2
BS1LM2$r #extrae coeficiente de correlacion
BS1LM2$P #extrae pvalue
#Para SG
matrizcorr<-BD_Veg_Fosforo[c(122:181) , c(7,8,9,10,11)]
matrizcorr
BS1SG<- cor(matrizcorr)
BS1SG
BS1SG2<- rcorr(as.matrix(matrizcorr))
BS1SG2
BS1SG2$r #extrae coeficiente de correlacion
BS1SG2$P #extrae pvalue
#Para IL
matrizcorr<-BD_Veg_Fosforo[c(182:241) , c(7,8,9,10,11)]
matrizcorr
BS1IL<- cor(matrizcorr)
BS1IL
BS1IL2<- rcorr(as.matrix(matrizcorr))
BS1IL2
BS1IL2$r #extrae coeficiente de correlacion
BS1IL2$P #extrae pvalue
#ANDEVAS------------------------------------------------------------------------------
experimento$Temperatura_C<-as.factor(experimento$Temperatura_C)
experimento$Disponiblidad_luz_sombra<-as.factor(experimento$Disponiblidad_luz_sombra)
library(tidyverse)
experimento%>%ggplot(aes(Disponiblidad_luz_sombra,Numero_semillas_germinadas,fill=Temperatura_C))+geom_boxplot()
##Numero de semillas germinadas con temperatura
temperatura<-as.factor(experimento$Temperatura_C)
is.factor(temperatura)
tempsemi<-aov(experimento$Numero_semillas_germinadas~temperatura, data = experimento)
shapiro.test(tempsemi$residuals) #asimétricos
tapply(experimento$Numero_semillas_germinadas, temperatura, length) #balanceados
fligner.test(experimento$Numero_semillas_germinadas~temperatura) #Heterocedasticos
##Numero de semillas germinadas con disponibilidad de luz
luzsombra<-as.factor(experimento$Disponiblidad_luz_sombra)
luzsemi<-aov(experimento$Numero_semillas_germinadas~Disponiblidad_luz_sombra, data = experimento)
shapiro.test(luzsemi$residuals) #asimétricos
tapply(experimento$Numero_semillas_germinadas, luzsombra, length) #balanceados
fligner.test(experimento$Numero_semillas_germinadas~luzsombra) #Heterocedasticos
#Diferencias entre fosforo en suelo y temperatura
temperatura<-as.factor(experimento$Temperatura_C)
is.factor(temperatura)
tempfosfo<-aov(experimento$`Fosforo_suelo_%`~temperatura, data = experimento)
shapiro.test(tempfosfo$residuals) #normales
tapply(experimento$`Fosforo_suelo_%`, temperatura, length) #balanceados
bartlett.test(experimento$`Fosforo_suelo_%`~temperatura) #Homocedasticos
summary(tempfosfo)
experimento%>%ggplot(aes(Temperatura_C,`Fosforo_suelo_%`))+geom_boxplot()+theme_minimal()
par(mfrow=c(1,2))
#No hay diferencias significativas
#Diferencia entre fosforo y disponbilidad de luz y sombra
luzsombra<-as.factor(experimento$Disponiblidad_luz_sombra)
luzsombfosfo<-aov(experimento$`Fosforo_suelo_%`~luzsombra, data = experimento)
shapiro.test(luzsombfosfo$residuals) #Normales
tapply(experimento$`Fosforo_suelo_%`, luzsombra, length) #balanceados
bartlett.test(experimento$`Fosforo_suelo_%`~luzsombra) #Normales
summary(luzsombfosfo)
experimento%>%ggplot(aes(Disponiblidad_luz_sombra,`Fosforo_suelo_%`))+geom_boxplot()+theme_minimal()
#No hay dif significativas