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

Resumen:

El estudio poblacional de tiburones en la región del Pacífico resulta importante debido a que en este punto espacial se encuentra una gran diversidad de especies y entre mayor conocimiento se genere respecto a su ecología, mejor serán los planes de conservación de los mismos. Se tomaron muestras de cuatro diferentes especies de condrictios durante dos años, Galeocerdo cuvier (GAL_CUV), Sphyrna lewini (SPH_LEW), Carcharhinus falciformis (CAR_FAL) y Alopias pelagicus (ALO_PEL) en cuatro islas, Guadalupe y Revillagedo en México, Isla del Coco en Costa Rica e Isla Galápagos en Ecuador. Se realizaron pruebas estadísticas en el programa R tales como frecuencia acumulada y relativa, pruebas de hipótesis, chi-cuadrado y ANOVA, con el fin de determinar si los factores de salinidad, temperatura, estación y área influyen en la talla y abundancia de los organismos. Además, se visualizaron en forma gráfica para mejor comprensión. Las variables abundancia y talla muestran interacciones con el entorno en las cuatro especies. En tanto a la distribución de la abundancia según las cuatro islas, la fluctuación es medianamente significativa. Para la densidad de organismos durante la noche se determinó que las especies Carcharhinus falciformis y Alopias pelagicus se mantienen cerca de la superficie como hábito nocturno.

Palabras clave:

Condrictios, salinidad, temperatura, profundidad, sitio de muestreo.

Introducción:

Uno de los grandes ecosistemas marinos del mundo comprende la región Pacífico Oriental Tropical, con una extensión de 20 millones de km2, es aquí donde se ubican aproximadamente 98 islas, que poseen numerosos hábitats y gran biodiversidad. (ACRXS. 2016. p.8). Creando así un gran corredor biológico, donde habitan numerosas especies. Entre estas islas tenemos la Isla Guadalupe, México, la cual fue decretada Reserva de la Biosfera, debido a su amplia biodiversidad y al ser un punto clave para la vida de muchas especies en peligro de extinción. Por otra parte la Isla del Coco, Costa Rica, fue declarada Patrimonio de la Humanidad, debido a su riqueza natural y biológica, siendo considerada un laboratorio natural para el estudio de organismos de diversos orígenes evolutivos. La Isla Galápagos, Ecuador, también declarada Patrimonio de Humanidad, es la segunda reserva marina más grande del planeta y es conocida por las numerosas especies endémicas que posee. Por último, la Isla Revillagedo, México, es parte de la lista de lugares naturales protegidos por la UNESCO, debido a su localización clave para muchas especies marinas que realizan migraciones, donde encuentran alimento y refugio.

En estas islas una de las clases más comunes son los Condrictios, como lo son los tiburones uno de los grupos de peces marinos menos resistentes a soportar niveles elevados de mortalidad por pesca, debido a que están biológicamente caracterizados por poseer crecimiento lento, madurez sexual tardía y baja fecundidad (Musick et al., 2000). Por lo tanto es importante realizar investigaciones referentes a su abundancia y datos físicos para monitoreo y análisis. Las especies investigadas en este estudio son: Galeocerdo Cuvier (GAL_CUV), Sphyrna lewini (SPH_LEW), Carcharhinus falciformis (CAR_FAL), Alopias pelagicus (ALO_PEL). GAL_CUV llamado comúnmente “tiburón tigre” posee unas características rayas en su dorso, de ahí su nombre; SPH_LEW conocido como “tiburón martillo” es una especie sumamente popular debido a la peculiar forma de su cabeza; lamentablemente es una especie gravemente amenazada por la pesca; CAR_FAL también es conocido como “tiburón sedoso” es una especie común que habita zonas tropicales, subterráneas y subtropicales alrededor del globo. ALO_PEL es llamado “zorro pelágico” y se caracteriza por su masiva cola heterocerca.

La estadística posibilita comprender la relación de los tiburones con el ecosistema en el que están inmersos y realizar un estudio de forma cuantitativa, siendo así una herramienta imprescindible en la biología, permitiendo recolectar, ordenar, resumir y analizar los datos, estos últimos son números con valiosa información (Daniel, Wayne W. 2006. p.2), que deben ser interpretados para poder comunicar y compartir el conocimiento en un lenguaje que abarque un público amplio. El programa R posibilita realizar diferentes pruebas, adaptables a las ciencias biológicas, que permiten llegar a este fin. Con esto, los dos años de muestreo realizados con los tiburones en las islas brindan valiosa información para su conservación.

Objetivos:

General:

Analizar por medio de pruebas estadísticas la interacción de las variables abundancia y talla con el entorno .

Específicos:

1-Identificar las islas con mayor abundancia de tiburones dependiendo de la especie.

2- Determinar la profundidad en la cual hay mayor densidad de organismos durante la noche.

Metodología:

Método de muestreo y análisis: El muestreo se realizó durante la estación seca y lluviosa por dos años (2018 y 2019), en cuatro islas del Pacífico Oriental Tropical, estas son, la Isla Guadalupe en México (IGM), la Isla del Coco ubicada en Costa Rica (IC), la Isla Galápagos en Ecuador (IGE) y la Isla Revillagedo en México (IGM). Tomando como referencia las especies Galeocerdo cuvier (GAL_CUV), Sphyrna lewini (SPH_LEW), Carcharhinus falciformis (CAR_FAL) y Alopias pelagicus (ALO_PEL). Para la toma de datos se establecieron 10 transectos (A-J) de 30 km2 cada uno, donde se tomaron datos sobre la abundancia y talla de los tiburones, además de la temperatura y salinidad en la cual se dieron los avistamientos. Adicionalmente, se realizó un experimento para conocer la presencia de las especies ALO_PEL y (CAR_FAL) a diferentes profundidades, con marcas acústicas, tanto de día como de noche. Posteriormente, se calculó su densidad promedio por hora, según los conteos de las marcas cada vez pasa por el receptor. Para ejecutar los análisis estadísticos, se usó un nivel de confianza del 95% en todas las pruebas realizadas, mediante la plataforma Rstudio 3.6.3 Core Team (2020).

Figura 1. Mapa de distribución de las Islas.

Figura 2. Especies de Condrictios.

Frecuencia acumulada y relativa: Se analizó la frecuencia acumulada y relativa para reunir y resumir los datos de las variables “tallas” y “abundancia” con el fin de interpretarlas de forma gráfica con un plot. Para talla, se tomó como valor mínimo 180 y máximo 620 con una amplitud de 25 datos. Para abundancia, como mínimo se tomó 1 y como máximo 40, con una amplitud de 3 datos.

Probabilidades: Se realizaron pruebas de probabilidades discretas, las cuales no admiten valores intermedios, solo enteros, para conocer la probabilidad de la variable “abundancia” de las cuatro especies de tiburones, en tres casos específicos en todas islas. Para analizar la variable talla, ya que está dada en números continuos, se realizó pruebas de normalidad, que admite números decimales, con esto se obtuvo las probabilidades de encontrar tres rangos de tallas de todas las especies en las cuatro islas, la distribución de los datos depende de la media y de la desviación estándar, por tanto, fueron calculadas.

Pruebas de hipótesis: Para comparar las tallas entre el año 2018 y 2019 de las cuatro especies, se procedió a plantear pruebas de hipótesis, para ello, se hicieron, como primer paso, las pruebas de normalidad de Shapiro para talla de ambos años, seguido, como las variables resultaron ser no paramétricas, se realizó prueba de Wilcoxon. Para comparar la media de la abundancia de los individuos entre las estaciones seca y lluviosa, se procedió igual, aplicando Shapiro para ambas estaciones, y luego la prueba de Wilcoxon.

Prueba de chi-cuadrado: Fue necesario analizar la distribución en relación de la abundancia de las cuatro especies de tiburones, para los cuatro lugares de muestreo, para saber si la distribución de datos son o no significativamente distintos. Para esto, se montó una base de datos y se aplicó un prueba de Fisher, ya que los valores esperados son mayores a 5, asegurando aleatoriedad e independencia de los datos, variables excluyentes entre ellas y valores absolutos.

Correlaciones y regresiones: Para saber si existe correlaciones entre las variables talla y abundancia y las variables temperatura y salinidad para las 4 especies durante los 2 años de muestreo en las 4 islas, se realizó, primeramente, pruebas de shapiro para determinar normalidad, como las cuatro resultaron asimétricas se procedió a aplicar la prueba de Spearman. Seguidamente, se realizó una matriz con todos los datos para después ver de forma gráfica las correlaciones. Por último, se hizo una regresión lineal con el fin de establecer el mejor modelo de predicción para talla y abundancia.

ANOVA: Para realizar el análisis de varianza de la densidad de los condrictios respecto al sitio, se definió como factor la densidad y se hizo el modelo, seguidamente, se realizó la prueba de Shapiro para determinar la normalidad, luego se hizo la prueba Tappy para conocer si es balanceado y se aplicó prueba de Fligner para determinar homocedasticidad, la prueba de ANOVA realizada que se ajusta con los supuestos obtenidos fue la de Kruskal Wallis. También se realizó el estudio de la varianza de la densidad de noche dependiendo de la profundidad, primero para la especie ALO_PEL y después para CAR_FAL. Para esto, en ambas, se construyó un modelo, luego se aplicó la prueba de Shapiro para determinar normalidad, luego la prueba de balance y seguidamente la prueba de Bartlett de homocedasticidad, según los resultados de las pruebas, se optó por aplicar ANOVA con Fisher y seguido se realizó una prueba posteriori de Tukey, para ver dónde se encuentran las diferencias de densidad.

Resultados:

Frecuencia acumulada y relativa:

Los histogramas de las figuras presentan las distribución de los datos obtenidos durante el muestreo, para las variables de talla y abundancia. Estas figuras indican el patrón que siguen las variables y su tendencia de dispersión. Dando a conocer así la proporción de datos que hay dentro de cada intervalo.

Figura 3. Frecuencia relativa de abundancia

Figura 4. Frecuencia acumulada de abundancia

Figura 5. Frecuencia relativa de talla

Figura 6. Frecuencia acumulada de talla.

Probabilidades:

Durante el muestreo se estableció que, la probabilidad de encontrar exactamente 6 individuos elegidos al azar, pertenecientes a la misma especie en una muestra de 30 tiburones, tomando en cuenta las 4 especies es de 0.1454562. (Cada especies tiene una abundancia de 25%)

La probabilidad de no encontrar la especie CAR_FAL, en más de 8 transectos, de cada una de las islas es de 0.04027694. Tomando en cuenta que hay una abundancia del 70% de esta especie, en un muestra de 17 individuos.

La probabilidad de encontrar la especie ALO_PEL, como mínimo en 7 parcelas de cada una de las islas es de 0.3822806. Tomando en cuenta que hay una abundancia del 60% de esta especie, en una muestra de 10 tiburones.

La probabilidad de encontrar un individuo en alguna de las 4 islas, que tenga una talla de 405.5, es de 0.9232081. Sabiendo que la media es de 419.3958, con una desviación estándar de 144.1571, para esta variable.

La probabilidad de encontrar un un individuo de cualquier especie, que tenga una talla mayor a 650.5, en cualquiera de las 4 islas es de 0.05445173.

La probabilidad de encontrar un individuo con una talla menor a 349, en toda el área de muestreo, es de 0.3126591

La probabilidad de encontrar un individuo con una talla entre 499 y 244, en todas las islas del muestreo, es de 0.5977365

Pruebas de hipótesis

En la prueba de Wilcoxon, para comparar las medias de las tallas en los años 2018 y 2019 , las cuales son variables no paramétricas, y dependientes, se obtiene un p-value mayor a 0.05, por lo que se acepta la hipótesis nula (V = 217274, p-value = 0.2847), que indica que existe igualdad en la media de las tallas de estos años.

Para comparar la media de la abundancia de individuos en las estaciones seca y lluviosa de los años 2018 y 2019, se realizó una prueba de Wilcoxon,ya que estas variables resultaron ser asimétricas, e independientes. Al resultar el p-value mayor a 0.05, se acepta así la hipótesis nula (W = 455706, p-value = 0.6627) , que dice que la abundancia en la estación seca es mayor o igual a abundancia en la estación lluviosa.

Prueba de chi-cuadrado:

La prueba de Chi cuadrado de Fisher, para comparar la abundancia de cada una de las especies según la isla del muestreo, resultó con un p-value menor a 0.05 (p-value = 0.0004998, df=9) tomando en cuenta que los datos esperados de abundancia fueron mayores a 5. Por lo que se acepta la hipótesis alternativa, que menciona que la abundancia de las 4 especies es distinta en todas las islas.

Cuadro 1. Abundancia de tiburones según la especie y su ubicación.

Un análisis del Cuadro 1, nos permite ver que si bien cada especie tendrá distinta abundancia en cada isla, esta no va a variar mucho, por lo que su distribución y abundancia tiene fluctuaciones medianas.

Correlación: Los resultados de las correlaciones sugieren que existe una correlación entre las variables de abundancia y talla, teniendo en cuenta que son variables no paramétricas (S = 1802400855, p-value < 2.2e-16,). Esto porque el valor de p-value es menor a 0.05, sugiriendo hay una correlación significativa. Mientras que el coeficiente de correlación rho : -0.53, determina que es una correlación negativa fuerte.

En el caso de la Temperatura y la salinidad, ambas variables no paramétricas, se da a conocer que si existe correlación ( S = 2023518456, p-value < 2.2e-16), debido a que el valor de p-value es menor a 0.05, lo que significa que su correlación es significativa. Por otra parte, basados en el valor de rho: -0.72, se establece que es una correlación negativa fuerte.

Figura 7: Correlación entre las variables Salinidad, Temperatura, Abundancia y Talla.

Los números dentro de los recuadros indican el rho, y la cantidad de *** proporciona el nivel de significancia. Los histogramas explican la distribución de los datos de cada variable y los polígonos de frecuencia dan a conocer el comportamiento de la correlación entre cada variable.

Regresión:

La regresión lineal (Multiple R-squared: 0.3707, p-value: < 2.2e-16) establece el siguiente modelo de predicción entre la talla y la abundancia. Fórmula: Y=X* (-8.4325) + 526.5851

Donde Y equivale a la talla (Variable dependiente) y X a la abundancia (Variable independiente)

Basados en este modelo se puede predecir que si hay una abundancia de 21 individuos, la talla será de 349.5026 Se predice que con una abundancia de 8 individuos, la talla será de 459.1251 Mientras que si hay una abundancia de 3 individuos, la talla será de 501.2876

ANOVAS

La prueba de Kruskal-Wallis para comparar las medias de la densidad de organismos , según la isla donde fueron avistados, tomando en cuenta son variables con residuos no paramétricas, balanceadas, y homocedásticas. Resultó un un p- value mayor a 0.05, esto significa que se acepta la hipótesis alternativa (Kruskal-Wallis chi-squared = 0.97157, df = 3, p-value = 0.8081), que menciona que las medias de la densidad de tiburones no van a variar según el sitio.

Figura 8. Distribución de la densidad de organismos según el sitio de muestreo.

Los datos de las densidades en cada isla, indican que todas presentaron un mínimo muy cercano a 0 org/m2, y un máximo de 1.2 org/m2 aproximadamente. A su vez, el primer cuartil, que corresponde al 25% de los datos, la densidad es cercana a 0.2 org/m2 en todas las islas. En el caso de la mediana, el 50% de los datos, tiene un valor de 0.3 aproximadamente, para las densidades de todas las islas. El tercer cuartil, que abarca el 75% de los datos, tiene variaciones según la isla, este va a presentar 0.6 org/m2 para la Isla del Coco (IC) y la Isla Revillagedo (IR), 0.7 org/m2 para la Isla Galápagos (IGE), y la Isla Guadalupe va a constar con una densidad de 0.65 org/m2.

En cuanto a la prueba de Fisher para comparar las medias de la densidad de organismos en la noche de ALO_PEL, según la profundidad a la que se encuentran, esta sugiere que sí existen diferencias significativas entre ambas variables (F=40.96, p-value=1.07e-11, gl=3). Hay que considerar que estas variables son balanceadas, homocedásticas y sus residuos son paramétricos. Debido a que sí se encontraron diferencias significativas, la realización de las pruebas posteriori de Tukey indican que la mayor densidad de organismos estará en las profundidades de 10 m y 15 m en la columna de agua, mientras que la menor densidad estará a los 25 m y 35 m

Figura 9. Distribución de densidad de organismos de Alopias pelagicus, según la profundidad.

Según la prueba de Fisher para comparar las medias de la densidad de organismos en la noche de CAR_FAL, según la profundidad, tomando en cuenta que las variables son balanceadas, homocedásticas y sus residuos paramétricos, se obtiene que sí existe diferencias significativas entre las medias (F= 63.26 , p-value=2e-14, gl=3). Seguidamente se aplica una prueba posteriori de Tukey y esta indica que, al igual que con ALO_PEL, la mayor densidad de organismos se va a concentrar a los 10 m y 15 m de profundidad, y habrá una menor densidad a los 25 m y 35 m en la columna de agua.

Figura 10. Distribución de densidad de organismos de Carcharhinus falciformis, según la profundidad.

Discusión:

Distribución de frecuencia:

El análisis de las frecuencias nos da a entender las tallas y densidad poblacional más comunes en las especies analizadas, esto con el fin de comprender muchos de sus hábitos y comportamientos en su hábitat natural. El análisis de tallas nos ayuda a comprender las dimensiones promedio de cada especie y por ende también comprender algunos de sus hábitos alimenticios. Por otra parte, el análisis de la densidad ayuda a comprender desde la cantidad de individuos proporcionalmente de cada especie (dando así una idea de su estado de conservación o población general) hasta comportamientos sociales característicos de la especie.

Probabilidades y distribución:

En el estudio del análisis de las tallas y la abundancia de cada especie objeto de estudio, se pueden deducir diferentes factores claves para el dataje de información básica de cada especie. El análisis de las tallas en general ayuda a conocer características básicas de las especies, tales como saber el promedio de tamaño de cada una (tanto como promedio general como promedio por épocas), lo cual revela otros datos como factores alimenticios y ambientales que afectan directamente el crecimiento de los tiburones. Estos factores pueden ser tomados en cuenta de manera ecológica para analizar formas de preservar las especies objeto de estudio. A partir de diferentes documentos se logra ver una realidad en problemas de sobreexplotación pesquera, rápido declive de algunas poblaciones, problemas de reducción de hábitats e incluso relación directa de su tamaño con la vulnerabilidad a la extinción (como se cita en Navia, Mejía-Falla , Zapata , Bessudo, Soler , Rubio, 2009), debido a esto es importante considerar que el análisis de probabilidad también proporciona un recurso fiable para determinar la densidad poblacional de cada especie, mediante la probabilidad de encontrar “x” especie en un lugar “y”; además contrapuesto con esto, se pueden analizar datos tales como el estado de conservación de cada especie (basándose en las probabilidades de distribución espacial se puede determinar la proporción poblacional de las especies). Finalmente, se puede afirmar que el análisis de probabilidades con respecto a las especies de tiburón es una parte crucial para determinar una variedad inmensa de factores claves para distintas investigaciones.

Pruebas de hipótesis:

En la hipótesis #1, es aceptada la nula , o sea que existe una igualdad en las tallas de los años 2018 y 2019. Esto se puede traducir de varias maneras, pero la más lógica parece ser la disponibilidad constante de recursos marinos; Maroñas (2006) afirma que la disponibilidad de alimento provoca un crecimiento más rápido, por lo tanto es probable que al ser áreas protegidas esta disponibilidad sea constante, abasteciendo así a toda la población de tiburones local de igual manera. A su vez la hipótesis #2 es aceptada la nula, dando a entender que la abundancia de tiburones es mayor o igual en la época seca que en la lluviosa. Para comprender esto, Maroñas (2006) dicta: “ En épocas cálidas, en las que existe una mayor disponibilidad de alimento, el crecimiento es más rápido que cuando las temperaturas son más bajas”. Esto reafirma la suposición anterior, debido a que la disponibilidad de recursos es mayor en las épocas cálidas, se puede ver un aumento en la población debido al mayor abastecimiento de recursos de la zona.

Prueba de chi-cuadrado:

En el caso de ALO_PEL se registran más avistamientos en la Isla Revillagedo, CAR_FAL, SPH_LEW y GAL_CUV se avistaron más en la Isla Guadalupe. En general la cantidad de avistamientos de cada especie en todas las islas es bastante regular, por lo tanto es una distribución bastante justa. Probablemente se deba a que la distribución espacial de las cuatro especies coinciden bien con cada isla y sus niveles de abastecimiento son óptimos.

Regresión y correlación:

Las condiciones del agua se encuentran estrechamente relacionadas con los factores climáticos generales (Müller, 1979). Con las variables de salinidad y temperatura se encontró una correlación negativa fuerte , por lo que el aumento de una variable explica la disminución de la otra, o viceversa. Esto quiere decir que si la temperatura disminuye, aumenta la salinidad, en el mar. Requiriendo una temperatura de congelación más baja, y una temperatura de ebullición más alta. Se puede observar que no existe una correlación significativa entre abundancia de tiburones y las variables de temperatura y la salinidad. Por lo tanto, se establece que la cantidad de tiburones tiene un grado de tolerancia a los cambios de estos dos factores. Sin embargo, no se puede determinar que ellos no son sensibles a estas variables, ya que los rangos tomados en el muestreo, no poseen fluctuaciones altas, de lo contrario se mantienen constantes. En el caso de la talla y la abundancia, Quiñonez, Alvarado y Félix (2002) dataron que los resultados muestran que la longitud estándar está fuertemente influenciada por la población; por esto se establece que existe una correlación negativa fuerte , esto significa que las variables son inversamente proporcionales, por lo que si la abundancia aumenta, la talla disminuye, tal y como se observa en los datos tomados. Es por esta misma correlación entre variables, que con una regresión lineal, se puede llegar a predecir los valores de la talla (variable dependiente), con respecto a la abundancia (variable independiente),ya que el modelo de regresión seguirá el mismo patrón de comportamiento que la correlación. Y este patrón podría estar relacionado a la demanda de recursos, ya que, entre mayor sea la abundancia de tiburones, menos recursos disponibles habrán, lo cual determinará el tamaño de los tiburones adultos.

ANOVA:

Las islas son sitios donde muchas especies de animales marinos que se encuentran dispersos en miles de kilómetros de mar convergen para reproducirse o descansar (e.g. tortugas marinas, aves marinas y mamíferos marinos) (Sánchez Pacheco, José Ángel, & Tershy, Bernie, & Aguilar, José Luis, 2000). En este sentido, podemos decir que las islas son puntos calientes de biodiversidad y un modelo perfecto para el estudio de interacciones bióticas. (Gutiérrez-Fonseca, Ramírez, Umaña & Springer, 2013); debido a esto, muchos países han optado por proteger sus ecosistemas en ultramar. Este es el caso de las cuatro islas a estudiar. En el “boxplot” adjunto, se puede notar que no existen diferencias significativas entre los grupos categóricos, por lo tanto la densidad poblacional en cada isla podría estar relacionada con esta protección ya que, una alta biodiversidad se traduce en una alta riqueza de recursos marinos disponibles para la macrofauna, en este caso, las cuatro especies de tiburón estudiadas; por lo tanto todas las islas deben poseer igual disponibilidad de recursos. Ejemplo de esto es la distribución de algunas presas típicas de los tiburones, en este caso del tiburón zorro, este depredador mostró una dieta dominada por presas de hábitos oceánicos, principalmente los calamares D. gigas y S. oualaniensis (Polo-Silva, Rendón, Galván-Magaña, 2009), ambos ampliamente distribuidos en las aguas del Océano Pacífico, incluidas las islas protegidas. En el caso del tiburón martillo común, Magaña, Castro y Ariadna (2003) dataron que su dieta se basa en casi un 30% de cefalópodos, reforzando así la hipótesis establecida a cerca de la disponibilidad de recursos en las islas, relacionado con la densidad poblacional de tiburones; poniendo en evidencia la importancia de las zonas protegidas para la conservación de éstas y más especies marinas, debido a su alta biodiversidad. También se analizaron comparativamente los hábitos nocturnos de los tiburones CAR_FAL y ALO_PEL y se determinó que ambas especies tienden a estar en altitudes poco profundas durante la noche, esto probablemente se debe a la calidez del agua de la superficie y el mejor acceso a la luz nocturna para así desenvolverse mejor en el entorno.

Conclusiones:

Las variables abundancia y talla para las cuatro especies de tiburones muestran interacciones con el entorno, principalmente con la disponibilidad de recursos, tales como la tasa de alimento que posee cada isla, condiciones adecuadas de temperatura, salinidad y espacio. Es así que se denota la importancia de la conservación de estas zonas estudiadas, ya que consigo implica la protección de los tiburones. En cuanto a la distribución de la abundancia de cada especie según las cuatro islas, estas si bien van a presentar diferencias en la cantidad de organismos, la fluctuación de estos va a ser medianamente significativa, esto podría significar que las condiciones bióticas y abióticas son favorables para estas especies en todas las islas. Durante la noche, fue posible determinar que la densidad de organismos va a ser mayor a los 10 y 15 m de profundidad , dando a conocer un comportamiento nocturno para Carcharhinus falciformis y Alopias pelagicus , dónde las especies van a optar por mantenerse en la superficie.

Antecedentes:

#Distribución de frecuencias #Tallas library( fdth) distribucion_talla<-fdt(BD_Condrictios$Talla, start=180, end=620, h=25) plot(distribucion_talla, type = "cfh", xlab = "Limites de clase", ylab = "Frecuencia acumunlada", main = "Frecuencia acumulada de tallas", col="lightblue") plot(distribucion_talla, type = "rfh", xlab = "Limites de clase", ylab = "Frecuencia relativa", main = "Frecuencia relativa de tallas", col= "violet" )

#Abundancia distribucio_abundancia<- fdt(BD_Condrictios$Abundancia, start=1, end = 40, h= 3) plot(distribucio_abundancia, type = "cfh", xlab = "Limites de clase", ylab = "Frecuencia acumunlada", main = "Frecuencia acumulada de abundancia", col="lightgreen") plot(distribucio_abundancia, type = "rfh", xlab = "Limites de clase", ylab = "Frecuencia relativa", main = "Frecuencia relativa de abundancia", col= "orange" )

#Probabilidades dbinom(6,30, 0.25) length(BD_Condrictios$Abundancia) 1-pbinom(8,17, 0.30) 1-pbinom(6, 10, 0.60)

mean(BD_Condrictios$Talla) sd(BD_Condrictios$Talla) pnorm(405.5, 419.3958, 144.1571)*2 1-pnorm(650.5, 419.3958, 144.1571) pnorm(349, 419.3958, 144.1571) pnorm(499, 419.3958, 144.1571)- pnorm(244, 419.3958, 144.1571)

#Pruebas de hipótesis Talla2018<-BD_Condrictios$Talla[ BD_Condrictios$Anio==2018] Talla2019<-BD_Condrictios$Talla[ BD_Condrictios$Anio==2019] shapiro.test(Talla2018) shapiro.test(Talla2019) wilcox.test(Talla2018, Talla2019, alternative ="t", exact = T, paired = T, conf.level = 0.95)

Abundancia_seca<-BD_Condrictios$Abundancia[BD_Condrictios$Estacion=="SECA"] Abundancia_lluviosa<-BD_Condrictios$Abundancia[BD_Condrictios$Estacion=="LLUVIOSA"] shapiro.test(Abundancia_seca) shapiro.test(Abundancia_lluviosa) wilcox.test(Abundancia_seca, Abundancia_lluviosa,alternative = "g", exact = T, paired = F, conf.level = 0.95)

#Chi-cuadrado Abundancia_Alopel_IGM<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="ALO_PEL" & BD_Condrictios$Sitio=="IGM" ] sum(Abundancia_Alopel_IGM) Abundancia_Alopel_IR <-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="ALO_PEL" & BD_Condrictios$Sitio=="IR" ] sum(Abundancia_Alopel_IR) Abundancia_Alopel_IC<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="ALO_PEL" & BD_Condrictios$Sitio=="IC" ] sum(Abundancia_Alopel_IC) Abundancia_Alopel_IGE<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="ALO_PEL" & BD_Condrictios$Sitio=="IGE"] sum(Abundancia_Alopel_IGE)

Abundancia_Carfal_IGM<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="CAR_FAL" & BD_Condrictios$Sitio=="IGM" ] sum(Abundancia_Carfal_IGM) Abundancia_Carfal_IR<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="CAR_FAL" & BD_Condrictios$Sitio=="IR" ] sum(Abundancia_Carfal_IR) Abundancia_Alopel_IC<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="CAR_FAL" & BD_Condrictios$Sitio=="IC" ] sum(Abundancia_Alopel_IC) Abundancia_Alopel_IGE<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="CAR_FAL" & BD_Condrictios$Sitio=="IGE" ] sum(Abundancia_Alopel_IGE)

Abundancia_Sphlew_IGM<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="SPH_LEW" & BD_Condrictios$Sitio=="IGM" ] sum(Abundancia_Sphlew_IGM) Abundancia_Sphlew_IR<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="SPH_LEW" & BD_Condrictios$Sitio=="IR" ] sum(Abundancia_Sphlew_IR) Abundancia_Sphlew_IC<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="SPH_LEW" & BD_Condrictios$Sitio=="IC" ] sum(Abundancia_Sphlew_IC) Abundancia_Sphlew_IGE<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="SPH_LEW" & BD_Condrictios$Sitio=="IGE"] sum(Abundancia_Sphlew_IGE)

Abundancia_Galcuv_IGM<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="GAL_CUV" & BD_Condrictios$Sitio=="IGM" ] sum(Abundancia_Galcuv_IGM) Abundancia_Galcuv_IR<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="GAL_CUV" & BD_Condrictios$Sitio=="IR" ] sum(Abundancia_Galcuv_IR) Abundancia_Galcuv_IC<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="GAL_CUV" & BD_Condrictios$Sitio=="IC" ] sum(Abundancia_Galcuv_IC) Abundancia_Galcuv_IGE<-BD_Condrictios$Abundancia[BD_Condrictios$Especies=="GAL_CUV" & BD_Condrictios$Sitio=="IGE" ] sum(Abundancia_Galcuv_IGE)

Abundancia_islas<- data.frame(IGM=c(2251,2372,673,841), IR=c(2500,2056,667,755), IC=c(2069,2069,669,777), IGE=c(2276,2276,630,786)) rownames(Abundancia_islas)<-c("ALO_PEL","CAR_FAL","SPH_LEW","GAL_CUV" ) Abundancia_islas fisher.test(Abundancia_islas,simulate.p.value=TRUE)

#Correlación shapiro.test(BD_Condrictios$Abundancia) shapiro.test(BD_Condrictios$Talla) cor.test(BD_Condrictios$Abundancia,BD_Condrictios$Talla, method = "s" )

shapiro.test(BD_Condrictios$Temperatura) shapiro.test(BD_Condrictios$Salinidad) cor.test(BD_Condrictios$Temperatura,BD_Condrictios$Salinidad, method = "s" )

#Regresion

modelo<-lm(BD_Condrictios$Talla ~ BD_Condrictios$Abundancia) library(lmtest) dwtest(modelo) shapiro.test(modelo$residuals) library(car) ncvTest(modelo) summary(modelo)

21*(-8.4325) + 526.5851 8*(-8.4325) + 526.5851 3*(-8.4325) + 526.5851

#ANOVA densidad<-data.frame(BD_Condrictios$Sitio , BD_Condrictios$`Densidad(org/m2)`) densidad$BD_Condrictios.Sitio<-as.factor(densidad$BD_Condrictios.Sitio) modelo_desidad<-aov(BD_Condrictios$`Densidad(org/m2)`~ BD_Condrictios$Sitio, data = densidad) shapiro.test(modelo_desidad$residuals) tapply(BD_Condrictios$`Densidad(org/m2)`,BD_Condrictios$Sitio , length) fligner.test(BD_Condrictios$`Densidad(org/m2)`~ BD_Condrictios$Sitio) kruskal.test(BD_Condrictios$`Densidad(org/m2)`~ BD_Condrictios$Sitio)

Alo_pel_densidad<-BD_Condrictios$Densidad_noche[BD_Condrictios$ESPECIE=="ALO_PEL"] Alo_pel_profundidad<-BD_Condrictios$`Profundidad(m)`[BD_Condrictios$ESPECIE=="ALO_PEL"] matriz_profundidad<-data.frame(Alo_pel_densidad, Alo_pel_profundidad) matriz_profundidad$Alo_pel_profundidad<-as.factor(matriz_profundidad$Alo_pel_profundidad) modelo_densidad_noche_a<-aov(Alo_pel_densidad ~ Alo_pel_profundidad, data=matriz_profundidad) shapiro.test(modelo_densidad_noche_a$residuals) tapply(Alo_pel_densidad, Alo_pel_profundidad, length) bartlett.test(Alo_pel_densidad ~ Alo_pel_profundidad) summary(modelo_densidad_noche_a) TukeyHSD(modelo_densidad_noche_a)

Carl_fal_densidad<-Alo_pel_densidad<-BD_Condrictios$Densidad_noche[BD_Condrictios$ESPECIE=="CAR_FAL"] Car_fal_profundidad<-BD_Condrictios$`Profundidad(m)`[BD_Condrictios$ESPECIE=="CAR_FAL"] ma<-data.frame(Carl_fal_densidad,Car_fal_profundidad ) ma$Car_fal_profundidad<-as.factor(ma$Car_fal_profundidad) modelo_densidad_noche_c<-aov( Carl_fal_densidad ~ Car_fal_profundidad, data = ma) shapiro.test(modelo_densidad_noche_c$residuals) tapply(Carl_fal_densidad, Car_fal_profundidad,length) bartlett.test(Carl_fal_densidad ~ Car_fal_profundidad) summary(modelo_densidad_noche_c) TukeyHSD ( modelo_densidad_noche_c )

Referencias bibliográficas:

ACRXS (Asociación Costa Rica por Siempre). 2016. Plan de Conservación y Uso de la Plataforma PACÍFICO. San José-Costa Rica. 49 p. Recuperado de: https://redpacifico.net/wp-content/uploads/2017/02/PlanConser-Paci%CC%81fico-WEB-2016-ESPANOLFINAL-1.pdf

Instituto Smithsonian de Investigaciones Tropicales. (2015). Introducción al Pacífico Oriental Tropical [Figura]. Recuperado de: https://biogeodb.stri.si.edu/sftep/es/pages/generalinfo

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

Quiñonez-Velázquez, C., Alvarado-Castillo, R., & Félix-Uraga, R. (2002). Relación entre el crecimiento individual y la abundancia de la población de la sardina del Pacífico Sardinops Caeruleus (Pisces: Clupeidae)(Girard 1856) en Isla de Cedros, Baja California, México. Revista de biología marina y oceanografía, 37(1), 1-8.

Sánchez Pacheco, José Ángel, & Tershy, Bernie, & Aguilar, José Luis (2000). Acciones de conservación de las islas de México. Gaceta Ecológica, (56),41-45.[fecha de Consulta 27 de Octubre de 2020]. ISSN: 1405-2849. Disponible en: https://www.redalyc.org/articulo.oa?id=539/53905603

Gutiérrez-Fonseca, P. E., Ramírez, A., Umaña, G., & Springer, M. (2013). Macroinvertebrados dulceacuícolas de la Isla del Coco, Costa Rica: especies y comparación con otras islas del Pacífico Tropical Oriental. Revista de Biología Tropical, 61(2), 657-668.

Polo-Silva, C. A. R. L. O. S., Rendón, L., & Galván-Magaña, F. E. L. I. P. E. (2009). Descripción de la dieta de los tiburones zorro (Alopias pelagicus) y (Alopias superciliosus) durante la época lluviosa en aguas ecuatorianas. Pan-American Journal of Aquatic Sciences, 4(4), 556-571.

Aguilar Castro, N. A. (2003). Ecología trófica de juveniles del tiburón martillo Sphyrna lewini (Griffith & Smith, 1834) en el Golfo de California (Doctoral dissertation, Instituto Politécnico Nacional. Centro Interdisciplinario de Ciencias Marinas.).

Navia, A. F., Mejía-Falla, P. A., Zapata, L. A., Bessudo, S., Soler, G., & Rubio, E. A. (2009). Estado del conocimiento de tiburones y rayas del Pacífico Colombiano. Avances en el conocimiento de tiburones, rayas y quimeras de Colombia, 133-194.

Maroñas, M. (2006). Crecimiento individual en peces. Cátedras de Ecopoblaciones. Recuperado de http://www.fcnym.unlp.edu.ar/catedras/ecopoblaciones.