Análisis del comportamiento de caza de cuatro especies de nutria (Carnívora: Mustelidae) en cuatro biotopos de ríos en el Parque Nacional Nahuel Huapi, Argentina
María Catalina Vega Rodríguez\(^1\), Andrés Zeledón Hernández\(^1\)
[1]Universidad Nacional de Costa Rica, Escuela de Ciencias Biológicas
catalina.vr17@gmail.com, andres.zeledon.hernandez@est.una.ac.cr
3 de noviembre, 2020
Resumen
Mediante el uso de distintas técnicas de muestreo y análisis estadístico utilizando el lenguaje de programación R, se analizaron las variables de efectividad de captura, talla máxima de las presas, rango de distribución, nivel de fosfato en el agua y tiempo activo de 1920 individuos del género Mustelidae en el Parque Nacional Nahuel Huapi durante el 2017 y 2018 en época seca y lluviosa, además se recolectaron excretas para cuantificar el número y tamaño de escamas de sus presas. Con el propósito de determinar las variables que afectan el comportamiento de caza de las nutrias para contribuir en su preservación. Las variables planteadas resultaron no influyentes de manera significativa en su comportamiento de caza, sin embargo, desvelan información de su interacción con el hábitat. Estos resultados sugieren que el comportamiento de caza de las cuatro especies es homogéneo y no es determinado por variables cambiantes que puedan poner en peligro su preservación.
Palabras clave: Lontra.sp ,efectividad de captura, tiempo activo, ictiófago, ríos
Introducción
Las nutrias (Mustelidae) son un grupo de organismos carnívoros que se distribuyen ampliamente a lo largo del mundo en distintos ambientes acuáticos; ríos, lagos, humedales y en la zona litoral marítima. Viven en áreas con amplia vegetación, abundancia de alimento y alrededores de los cauces de los ríos donde haya una amplia cobertura boscosa. Su dieta se compone principalmente de peces y crustáceos, pero también se pueden alimentar de algunos anfibios, reptiles y aves que se encuentran en los cuerpos de agua (Grajales-García et al., 2019). Actualmente existen cuatro especies de nutrias en el continente americano: Lontra provocax, Lontra canadensis, Lontra felina y Lontra longicaudis.
Estos mamíferos, abarcan el nicho ecológico de depredador acuático por lo que representan especies claves en estos ecosistemas ya que, mediante sus hábitos alimenticios y reproductivos es posible relacionar la calidad del ambiente con la diversidad de presas en el espacio, debido a que la supervivencia de las nutrias se ve reflejada en la calidad de los cuerpos de agua. De tal manera, los análisis fisicoquímicos del agua y la determinación de la dieta mediante métodos indirectos (heces y huellas), son los principales parámetros utilizados en los estudios de las nutrias, ya que no son métodos invasivos y representan muestras confiables cuando se dificulta la visualización de las especies en su hábitat (Navarro-Picado, 2017).
Asimismo, los carnívoros forman parte importante del ecosistema, debido a que equilibran las poblaciones “presa” (Cruz, 2017) y asisten, de manera indirecta, en la sobrevivencia de los organismos más aptos, en cuanto a salud y rapidez, por la dificultad que representa su captura. Además, los residuos alimenticios son aprovechados por otros organismos como aves y reptiles, manteniendo así un flujo de energía en la red trófica.
Las especies Lontra provocax y Lontra felina se encuentran en peligro de extinción principalmente por la caza indiscriminada para obtener pieles y la sobreexplotación de peces que constituyen su principal alimentación (Boyle, 2006) por lo que es necesario investigar sobre sus hábitos alimenticios para ayudar en la conservación de estas especies.
En esta investigación nuestro objetivo es determinar el comportamiento de caza de cuatro especies de nutria que habitan el continente americano mediante la comparación de parámetros recolectados en cuatro biotopos de ríos durante la estación seca y lluviosa en un periodo de dos años para así entender sus hábitos alimenticios y contribuir en su conservación.
Objetivos
General
Determinar el comportamiento de caza de cuatro especies de nutria(Mustelidae) mediante la comparación de los parámetros recolectados en cuatro biotopos de ríos durante la estación seca y lluviosa en el 2017 y 2018
Específicos
Examinar si la concentración de fosfato en los ríos estudiados influye sobre los hábitos de caza de las nutrias
Estimar la relación de la efectividad de captura en función de la talla máxima y la cantidad de escamas de las presas
Metodologia
Área de estudio:El estudio se realizó en el Parque Nacional Nahuel Huapi que abarca 710,100 ha y se localiza en el sur de Neuquén, Argentina, el clima es frío y húmedo con una temperatura media de 10°C, este alberga cuatro biotopos de ríos diferentes, ríos de gran tamaño con cobertura boscosa (biotopo 1), ríos de gran tamaño sin cobertura boscosa (biotopo 2), ríos cercanos a la costa (biotopo 3) y quebradas (biotopo 4).
Diseño experimental:Los muestreos fueron hechos durante la época seca y lluviosa de 2017 y 2018. Los datos de las diferentes especies fueron recolectados por los guardaparques y miembros del parque nacional.Se tomaron datos de 4 especies: Lontra provocax, Lontra canadensis, Lontra felina y Lontra longicaudis ,para muestrear los individuos se seleccionaron aleatoriamente 30 miembros de cada especie por biotopo para lograr monitorear su comportamiento durante un día para anotar las variables de tiempo activo (horas/día), efectividad de captura (cantidad de presas) y talla máxima de sus presas y se complementó con el método de trampeo fotográfico para determinar el rango (km) de los individuos, se colocaron 5 cámaras en un radio de 100 km con una distancia de 20 km entre sí cerca de una zona de alta actividad de caza en cada biotopo.
Para la recolección de los heces se realizaron tres salidas de campo al mes, durante la época seca y lluviosa de 2017 y 2018. Estas salidas comprendieron rangos entre 10 y 76 km en cada biotopo, las heces se recolectaron en bolsas plásticas rotuladas con datos de altura, época, fecha y biotopo. Posteriormente, se lavó y tamizó las excretas de 40 ejemplares (10 de cada especie), con el fin de separar las escamas consumidas (cantidad, ancho máximo y largo máximo). El análisis de la ocurrencia de las especies se determinó por medio de la división del número de muestras de heces de cada una entre el número total de heces, multiplicado por 100, para definir la frecuencia relativa.
Adicionalmente se recolectó una muestra de agua en cada biotopo donde se avistó una nutria que fue analizada en el laboratorio para determinar la concentración de fosfato en el agua.
Análisis estadístico: Para comprobar si la abundacia de especies en cada biotopo era igual se realizó una prueba de Chi-cuadrado de Pearson. Posteriormente, para la distribución de frecuencias se tomó la talla máxima de las presas y se realizó un gráfico de su frecuencia relativa. Se realizó una prueba de probabilidad para determinar la probabilidad de obtener más de una especie en dos muestreos. Se planteó una distribución de probabilidades para determinar la probabilidad que una nutria presentara un tiempo activo de más de 8 horas, para esto se comprobó la normalidad de los datos mediante la prueba Shapiro-Wilk y se hizó la prueba de distribución normal.Para comprobar si los niveles de fosfato en el río gran tamaño con cobertura boscosa cambian con respecto a la época seca y lluviosa se realizó una prueba de Shapiro-Wilk para determinar la normalidad de los datos y una prueba de F para comprobar la homogenidad de varianzas, para posteriormente realizar una prueba Z. Se hizo una correlación (Pearson) entre la efectividad de captura y la talla máxima de las presas y una regresión entre la efectividad de captura y el tiempo activo, para ambas todos los supuestos estadísticos fueron comprobados(normalidad por pruebas de Shapiro-Wilk, homocedatícidad de varianza por pruebas F). Finalmente se realizarón dos análisis de varianza(ANDEVA) de una vía, uno entre la variable rango y el factor biotopo y otro entre escamas en las heces por especie, para ambos se realizó el mismo procedimiento, se verificó la normalidad de los residuos mediante la prueba Shapiro-Wilk,posteriormete se analizó el balance de los datos y la homocedasticidad por medio de la prueba de Flinger, finalmente se hizo la prueba de Kruskal-Willis para realizar el análisis de varianza.Tods los análisis de los datos se realizaron con un nivel de significacia del 95% y en lenguaje de programación R(versión 4.0.2;R Core Team, 2020)
Resultados
El resultado de la prueba de Chi cuadrado demostró que la abundacia de las especies es la misma en cada biotopo(X\(^2\)=0, gl=9, p>0.05)
El gráfico de la tabla de frecuencia de la talla máxima de las presas presenta una distribución simétrica con una media de 23.12 cm y una varianza de 14.53.
Fig.1. Distribución de la frecuencia relativa de la talla máxima de las presas de 4 especies de nutrias
En la prueba de probabilidad discreta se obtuvo que la probabilidad de observar más de una especie en dos muestreos es de 6%.Posteriorme en la prueba de distribución normal de una cola, el resultado concluyente demostró que un tiempo activo de 8 horas no pertenece al comportamiento de las nutrias muestreadas, de manera significativa(z=2.70, p<0.05).
La prueba de hipótesis sobre los niveles de fosfato en el agua en estación seca y lluviosa, mostró que la media de las dos muestras no es signficativamente diferente(z=0.06, p>0.05)
Relación entre las variables
En la correlación entre el rango y la talla máxima de las presas se obtuvo que ambas presentan una distribución simétrica (p>0.05), por lo que se utilizó el método de Pearson, que proporcionó como resultado la no correlación estadisticamente significativa entre las variables, (t=-0.76, p>0.05)
La regresión entre la efectividad de captura y el tiempo activo dio como resultado una regresión donde la pendiente es igual a cero (p>0.05) pero el intercepto es distinto a cero (p<0.05). Sin embargo la regresión no es estadisticamente significativa (F\(_{(1,1918)}\)=3.19, R\(^2\)=0.02, p>0.05)
Fig.2. Efectividad de captura en función del tiempo activo de las especies
Fig.3. Rango de las especies en ríos de gran tamaño con cobertura boscosa (biotopo1), ríos de gran tamaño sin cobertura boscosa (biotopo2), ríos cercanos a la costa (biotopo3) y quebradas (biotopo4)
Fig.4. Cantidad de escamas en las heces por especie
Discusión
A lo largo del estudio de las nutrias se ha demostrado que su dieta se basa principalmente en peces y crustáceos (Rheingantz, M, et al 2017). En el estudio se demuestra que la talla máxima de las presas tiende a ser de gran tamaño, se observa que tienen una preferencia por las presas de más de 20 cm pero de menos de 27 cm. Debido a su morfología de patas cortas, cazar animales de mayor o menor tamaño a los observados anteriormente puede ser una tarea difícil puesto que presentan una mayor movilidad o habilidad de escape (Quadros & Monteiro-Filho, 2001), y debido a que son depredadores oportunistas no suelen realizar demasiado esfuerzo para alimentarse(Ruiz-Olmo 2016).
La probabilidad de observar a dos especies en un solo muestreo fue baja, esto es porque las nutrias habitan en lugares con gran cobertura vegetal de difícil acceso por lo que sus observaciones son escasas. Además, se demostró estadísticamente que un tiempo activo de 8 horas no es parte del comportamiento de las nutrias, por lo que pasan la mayor parte del día haciendo otras actividades como descansar, marcar territorio, limpieza o cría de cachorros ya sea en sus madrigueras, dentro de la vegetación o en la orilla de los ríos. (Chanin, 1985).
La precipitación afecta directamente la concentración de sustancias en un ambiente determinado y normalmente actúa como un factor de remoción de los químicos(Masis, et al., 2008), sin embargo, la prueba de hipótesis de los niveles de fosfato en el agua durante la estación seca y lluviosa en el río de gran tamaño con cobertura boscosa mostró que no hay diferencia entre sus medias, por lo que la concentración de fosfato no se ve afectada por las lluvias y una mayor cantidad de agua en el cauce de los ríos debido a que la absorción del suelo es alta y no permite que los químicos se laven río abajo.
Si bien es cierto, en este estudio no se realiza una diferenciación entre estaciones para los parámetros de las escamas, Morales et al. (2010) reportan que no se obtuvieron diferencias significativas en la dieta de las nutrias respecto a la temporada seca y lluviosa, mientras que Cruz (2017), reporta que en la época lluviosa se crea un incremento en el consumo de presas, especialmente peces, por lo que el valor que se obtiene del nicho trófico aumenta en la temporada seca, de tal manera que los individuos se desplazan en busca de alimento, además, estas nutrias están caracterizadas por ser carnívoras activas que se alimentan de un espectro amplio de especies, sin embargo, son reconocidas como especies ictiófagas ya que su dieta se basa alrededor del 70% de peces (Cruz, 2017). Dado lo anterior, se cree que el motivo por el cual en este estudio no se obtuvo diferencias significativas entre las cuatro especies de nutrias y la cantidad de escamas analizadas en las heces, se debe a que la relación de presas consumidas es similar dentro del género indistintamente del biotopo.
Por otra parte, el relieve y clima de las zonas de captura influyen directamente en la disponibilidad de presas, tanto en las zonas bajas como en las altas, debido a que en las partes bajas de los ríos se presentan ambientes más estables, mientras que en las altas hay un incremento en las fluctuaciones del entorno; por lo tanto, se presenta una variabilidad de captura (Rodríguez & Contreras, 2012). Dados los resultados, es posible justificar el ANDEVA encontrado entre la cantidad de escamas y las especies, debido a que se genera un cambio continuo en las condiciones de los biotopos y la disponibilidad de presas entre las zonas bajas y altas, aunado a que el PN Nahuel Huapi se encuentra ubicado entre las altitudes de 700 msnm y 3400 msnm y se distingue por sus ecosistemas representativos de los Andes patagónicos (APN, 2019).
La ocurrencia de las especies de Lontra se encuentra relacionada con las características físicas de su hábitat; en este caso, los ríos presentes en el Parque Nacional Nahuel Huapi. La cobertura vegetal, el ancho del río y las condiciones asociadas a estas, representan algunos de esos parámetros que influyen en el rango de distribución de la nutria (Guerrero-Flores et al., 2013); a pesar de que en este estudio se presentan cuatro biotopos de ríos distintos: cobertura boscosa, ríos de gran tamaño sin cobertura boscosa, ríos cercanos a la costa y quebradas, los resultados del análisis de varianza muestran que no existen diferencias significativas entre el rango y los biotopos para estas especies, no obstante, (Navarro-Picado et al., 2017) menciona que las zonas con abundancia de arbustos y troncos generan una cobertura de escape esencial en sitios de riesgo de depredadores, ya que, se sabe que las fuentes de agua son sitios oportunos para la caza de muchas especies ya que aprovechan la vulnerabilidad y visibilidad del momento. Es por esto que, al haber zonas de protección en los biotopos, el rango de distribución debería ser menor, mientras que en zonas despejadas el rango aumenta en busca de sitios protegidos.
Conclusiones
Los niveles de fosfato en el agua durante la estación seca y lluviosa no se vieron afectados en los ríos de gran tamaño con cobertura boscosa, los estudios analizados durante la revisión bibliográfica mencionan que las concentraciones de sustancias en los ambientes están directamente relacionadas con la precipitación de la zona, sin embargo, esto puede variar según la textura del suelo ya que influye en la absorción de los elementos químicos y disminuye la escorrentía de los mismos.
La cobertura vegetal cercana a las fuentes de agua es de gran importancia en el desarrollo de las nutrias ya que se consideran como sitios para el refugio, descanso y cría. Dado que su tiempo activo es un periodo reducido, es necesario contar con métodos de observación en rangos de distribución cortos debido a que la probabilidad de observar las especies durante el muestreo es baja y depende en gran parte de las condiciones ambientales del entorno.
De acuerdo con los análisis de la dieta de las nutrias, es posible inferir que las cuatro especies no presentan variaciones en la cantidad de escamas consumidas esto debido a que, presentan una amplia variedad de presas, preferiblemente con poca movilidad y eficiencia de escape, pero las proporciones de peces incluidos en su alimentación tienen un porcentaje mayoritario, independientemente del biotopo en donde se encuentren.
Referencias bibliográficas
Administración de Parques Nacionales (APN). (2019). Plan de Gestión del Parque Nacional Nahuel Huapi. San Carlos de Bariloche, Argentina. 461 p.
Boyle, S. (2006) North American River Otter (Lontra canadensis): a technical conservation assessment. USDA Forest Service, Rocky Mountain Region, Colorado.
Chanin, P. (1985). The Natural History of Otters. Facts on file publications. Nueva York,179 p. Cruz, F. (2017). Dieta, abundancia poblacional y caracterización del hábitat de la nutria neotropical Lontra longicaudis annectens (Major, 1897), en el municipio de Pueblo Nuevo. Durango, Mexico (Doctoral dissertation, Universidad Autónoma de Nuevo León).
Grajales-García, D., Serrano, A., Capistrán-Barradas, A., Naval-Ávila, C., Pech-Canché, J. M., & Becerril-Gómez, C. (2019). Hábitos alimenticios de la nutria neotropical (Lontra longicaudis annectens)(Carnivora: Mustelidae) en la zona costera de Tuxpan, Veracruz. Revista mexicana de biodiversidad, 90.
Guerrero-Flores, J. J., Macías-Sánchez, S., Mundo-Hernández, V., & Méndez-Sánchez, F. (2013). Ecología de la nutria (Lontra longicaudis) en el municipio de Temascaltepec, estado de México: estudio de caso. Therya, 4(2), 231-242.
Masís, F., Valdez, J., Coto, T., & León, S. (2008). Residuos de agroquímicos en sedimentos de ríos, Poás, Costa Rica. Agronomía Costarricense, 32(1), 113-123.https://www.redalyc.org/articulo.oa?id=436/43632111
Morales, J., Frontón & Avia M. (2010). Análisis de la alimentación y distribución del visón americano “Neovison vison” y de la nutria “Lontra” en la población simpátrica del Río Moros (Sistema Central, Segovia). Galemys: Boletín informativo de la Sociedad Española para la conservación y estudio de los mamíferos, 22(1), 63-89
Navarro-Picado, J., Spínola-Parallada, M., Madrigal-Mora, A., & Fonseca-Sánchez, A. (2017). Selección de hábitat de Lontra longicaudis (Carnivora, Mustelidae) bajo la influencia de la represa hidroeléctrica del río Peñas Blancas y sus tributarios. Alajuela, Costa Rica. Uniciencia, 31(1), 73-84.
Rheingantz, M. L., de Menezes, J. F. S., Galliez, M., & dos Santos Fernandez, F. A. (2017). Biogeographic patterns in the feeding habits of the opportunist and semiaquatic Neotropical otter. Hydrobiologia, 792(1), 1–15. doi:10.1007/s10750-017-3095-5
Rodríguez, B. & Contreras, E. (2012). Evaluación de la diversidad ictiofaunística del río Estelí, Nicaragua. Revista Científica FAREM-Estelí, 1(1).
Ruiz Olmo, J., (2016) La nutria.El libro de los carnívoros. Ed. Photodigiscoping. Barcelona. Pp: 192-219.
Anexos
library(readxl)
muestreo <- read_excel("C:/Users/Guido/Desktop/Bioestadistica/BD_Mustelidae.xlsx", sheet = "Muestreo")
experimento <- read_excel("C:/Users/Guido/Desktop/Bioestadistica/BD_Mustelidae.xlsx", sheet = "Experimento")
####Variables####
###Muestreo
especie <- muestreo$especie
fosfato<- muestreo$po4
efcap<- muestreo$efcap
tallamax<- muestreo$talla_max
ano<- muestreo$year
epoca<- muestreo$epoca
biotopo <- muestreo$biotopo
rango <- muestreo$range
ta <- muestreo$ta
###Experimento
especie.experimento <- experimento$especie
escamas <- experimento$cant_escamas
largo <- experimento$largo_max
ancho <- experimento$ancho_max
Distribucióndeespecies=data.frame(
Biotopo1=c(120,120,120,120),Biotopo2=c(120,120,120,120),Biotopo3=c(120,120,120,120),
Biotopo4=c(120,120,120,120),
row.names = c("Especie 1","Especie 2","Especie 3", "Especie 4"))
Distribucióndeespecies## Biotopo1 Biotopo2 Biotopo3 Biotopo4
## Especie 1 120 120 120 120
## Especie 2 120 120 120 120
## Especie 3 120 120 120 120
## Especie 4 120 120 120 120chisq.test(Distribucióndeespecies)##
## Pearson's Chi-squared test
##
## data: Distribucióndeespecies
## X-squared = 0, df = 9, p-value = 1####Tabla de frecuencias
library(fdth)##
## Attaching package: 'fdth'## The following objects are masked from 'package:stats':
##
## sd, vartallamax.fd <- fdt(tallamax, start =9 , end= 36, h =2.25)
plot(tallamax.fd, xlab = "Limites de clase talla máxima(cm)", ylab = "Frecuencia",col= cm.colors(42,alpha = 1))
######Preguntas
####La probabilidad de encontrar más de 1 especie en 2 muestreos
1-pbinom(1,2,0.25)## [1] 0.0625####Añadir en la metodología el tipo de prueba que se utilizó y porqué
###Población grande se puede decir que es más de 30
##### Distribución normal o binomial no se jaja
library(TeachingDemos)
shapiro.test(ta)##
## Shapiro-Wilk normality test
##
## data: ta
## W = 0.99938, p-value = 0.8096mean(ta)## [1] 4.013548sd(ta)## [1] 1.474771z.test(8,4.013,1.474,alternative = "g")##
## One Sample z-test
##
## data: 8
## z = 2.7049, n = 1.000, Std. Dev. = 1.474, Std. Dev. of the sample mean
## = 1.474, p-value = 0.003416
## alternative hypothesis: true mean is greater than 4.013
## 95 percent confidence interval:
## 5.575486 Inf
## sample estimates:
## mean of 8
## 8####Prueba de hipótesis
fosfato_lluviosa <- muestreo$po4[muestreo$epoca=="lluviosa"][muestreo$biotopo=="biotopo1"]
fosfato_seca <- muestreo$po4[muestreo$epoca=="seca"][muestreo$biotopo=="biotopo1"]
fosfato_seca <- na.omit(fosfato_seca)
fosfato_lluviosa <- na.omit(fosfato_lluviosa)
shapiro.test(fosfato_seca)##
## Shapiro-Wilk normality test
##
## data: fosfato_seca
## W = 0.98938, p-value = 0.07518shapiro.test(fosfato_lluviosa)##
## Shapiro-Wilk normality test
##
## data: fosfato_lluviosa
## W = 0.99752, p-value = 0.9737var.test(fosfato_lluviosa,fosfato_seca)##
## F test to compare two variances
##
## data: fosfato_lluviosa and fosfato_seca
## F = 0.78578, num df = 239, denom df = 239, p-value = 0.06298
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.6094194 1.0131672
## sample estimates:
## ratio of variances
## 0.7857759mean(fosfato_seca)## [1] 1.144554sd(fosfato_seca)## [1] 0.4211099mean(fosfato_lluviosa)## [1] 1.170938z.test(1.170938,1.144554,0.4211099)##
## One Sample z-test
##
## data: 1.170938
## z = 0.062653, n = 1.00000, Std. Dev. = 0.42111, Std. Dev. of the sample
## mean = 0.42111, p-value = 0.95
## alternative hypothesis: true mean is not equal to 1.144554
## 95 percent confidence interval:
## 0.3455778 1.9962982
## sample estimates:
## mean of 1.170938
## 1.170938#### Correlaciones
shapiro.test(efcap)##
## Shapiro-Wilk normality test
##
## data: efcap
## W = 0.99881, p-value = 0.2157shapiro.test(tallamax)##
## Shapiro-Wilk normality test
##
## data: tallamax
## W = 0.9994, p-value = 0.8361cor.test(tallamax,efcap)##
## Pearson's product-moment correlation
##
## data: tallamax and efcap
## t = -0.75863, df = 1918, p-value = 0.4482
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.06200667 0.02743647
## sample estimates:
## cor
## -0.01731975library(PerformanceAnalytics)## Loading required package: xts## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legend
correlacion2 <- data.frame(tallamax,efcap)
chart.Correlation(correlacion2)
####Regresion
#Modelo de regresi?n lineal
lontra<- data.frame(efcap, ta)
reg <- lm(efcap ~ ta, data = lontra)
reg##
## Call:
## lm(formula = efcap ~ ta, data = lontra)
##
## Coefficients:
## (Intercept) ta
## 65.16538 -0.03851summary(reg)##
## Call:
## lm(formula = efcap ~ ta, data = lontra)
##
## Residuals:
## Min 1Q Median 3Q Max
## -16.6837 -3.0679 -0.1205 2.9796 15.3787
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 65.16538 0.30229 215.570 <2e-16 ***
## ta -0.03851 0.07070 -0.545 0.586
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.567 on 1918 degrees of freedom
## Multiple R-squared: 0.0001547, Adjusted R-squared: -0.0003666
## F-statistic: 0.2967 on 1 and 1918 DF, p-value: 0.586shapiro.test(reg$residuals)##
## Shapiro-Wilk normality test
##
## data: reg$residuals
## W = 0.9988, p-value = 0.2114#Verificacion de supuestos
par(mfrow = c(2, 2))
plot(reg)
#Graficacion de la regresion
library(visreg)
visreg(reg, "efcap", partial=F)
names(muestreo)## [1] "year" "epoca" "biotopo" "especie" "muestra" "range"
## [7] "ta" "efcap" "talla_max" "po4"library(ggplot2)
ggplot(muestreo, aes(x=ta, y=efcap)) +
geom_point(shape=1) +
geom_smooth(method=lm,)+
labs(x="Tiempo activo(horas/día)", y = "Efectividad de captura(Cantidad de presas)")## `geom_smooth()` using formula 'y ~ x'###Analisis de varianza
#Muestra
biotopo.x<- as.factor(biotopo)
c <- aov(rango~biotopo.x)
shapiro.test(c$residuals)## No parametricos ##
## Shapiro-Wilk normality test
##
## data: c$residuals
## W = 0.9587, p-value < 2.2e-16tapply(rango, biotopo.x, length)###Balanceados## biotopo1 biotopo2 biotopo3 biotopo4
## 480 480 480 480par(mfrow = c(2, 2))
plot(c)
## Se aplica Fliger test para verificar la homocedasticidad porque son balanceados y no parametricos
fligner.test(rango~biotopo.x)###Homocedastico##
## Fligner-Killeen test of homogeneity of variances
##
## data: rango by biotopo.x
## Fligner-Killeen:med chi-squared = 4.2886, df = 3, p-value = 0.2319anova <- kruskal.test(rango,biotopo.x) #(K=1.67,)
anova### No hay diferencias significativas ##
## Kruskal-Wallis rank sum test
##
## data: rango and biotopo.x
## Kruskal-Wallis chi-squared = 1.6731, df = 3, p-value = 0.6429par(mfrow=c(1,1))
boxplot(rango~biotopo.x, col= rainbow(7,alpha = 0.5), xlab = "Biotopo", ylab = "Rango de caza(km)")
#Experimento
especie.experimento.f <- as.factor(especie.experimento)
anova3 <- aov(escamas~especie.experimento.f)
shapiro.test(anova3$residuals)### No parametricos ##
## Shapiro-Wilk normality test
##
## data: anova3$residuals
## W = 0.95057, p-value = 1.401e-11tapply(escamas, especie.experimento.f, length)### Balanceados ## lontra1 lontra2 lontra3 lontra4
## 120 120 120 120fligner.test(escamas~especie.experimento.f)### Homocedastico##
## Fligner-Killeen test of homogeneity of variances
##
## data: escamas by especie.experimento.f
## Fligner-Killeen:med chi-squared = 4.4224, df = 3, p-value = 0.2193par(mfrow=c(2,2))
plot(anova3)
### Anova
anova4 <- kruskal.test(escamas~especie.experimento.f)
anova4 ### No hay diferencias significativas (K= 5.1046;gl=3;p>0.05) ##
## Kruskal-Wallis rank sum test
##
## data: escamas by especie.experimento.f
## Kruskal-Wallis chi-squared = 5.1046, df = 3, p-value = 0.1643par(mfrow=c(1,1))
boxplot(escamas~especie.experimento.f, xlab="Especie", ylab="Cantidad de escamas por heces", names=c("L.provocax","L.canadensis","L.felina", "L.longicaudis")
, col=rainbow(5, alpha = 0.5))