Abstract

Los coleópteros suelen ser utilizados como bioindicadores de la calidad de un bosque debido a que su tolerancia a diferentes variables está asociada a determinados grados de intervención y o degradación de un ecosistema en específico. Objetivo: Determinar la interrelación entre la abundancia de coleópteros de cuatro diferentes especies y las distintas variables propias de los sitios de recolección así como la efectividad de usarlos como bioindicadores. Metodología: Se colocaron 30 trampas de tipo pitfall en ecosistemas de tacotal, bosques de ribera, bosques secundarios y bosques primarios para capturar individuos de Copris tridentatus, Onthophagus notiodes, Onthophagus xiphias  y Trichillum (Eutrichillum) arcus. . En cada sitio por medio de trampas se capturo por un lapso de dos años en época seca y lluviosa las especies elegidas para el estudio, también se midió la temperatura del aire y la concentración de nitrógeno ambiental al momento de captura esto con el fin de ver si afectaban directamente a las especies. Resultados: En total se capturaron 34897, de los cuales 9706 fueron de Onthophagus notiodes que fue la especie mas abundante, le siguió Copris tidentatus con 8424, después Onthophagus xiphias con 8391 y por ultimo Trichillum arcus  con 8376 especímenes. La media de temperatura del aire al momento de captura de las especies fue  en la mayoría de los casos de 25.37 grados Celsius con la particularidad de que la única especie que pudo ser capturada a temperaturas distintas fue Copris tridentatus, que esta pudo ser capturada a una media de 21.16 grados Celsius al llegar la época lluviosa, esto en todos los sitios muestreados.(R²= 0.4062; X²= 260.43; df(3, 1916); p<0.05)La distribución de los datos de las concentraciones NO3 muestran que el dato mínimo es de aproximadamente 13 (mg * kg-1) mientras que el máximo es de 21 (mg * kg-1). La media de los datos es de 17.71 (mg * kg-1) y la mediana se encuentra en 18.00 (mg * kg-1) Conclusión: Estos resultados indican que no existe una relación entre los sitios, la conservación del tipo de bosque, la temperatura y la cantidad de nitrógeno circundante con la abundancia de los coleópteros estudiados.

Keywords: coleoptera, bioindicador, supervivencia, ecología,calidad de bosques

Introducción

Se define como una especie o grupo de especies como bioindicador cuando por medio del estudio de estas se puede mostrar el estado abiótico o biótico de un medio ambiente, ademas refleja el impacto ambiental o cambio en un hábitat, comunidad o ecosistema o es indicativo de la diversidad de un subconjunto de taxones, o de la diversidad de estos dentro de un área (McGeoch, 1998).

Para utilizar una especie como bioindicador es necesario conocer los parametros de variables medioambientales medibles y su relacion con las especies asi como el tipo de cobertura vegetal, en este caso, en el cual se realizo el estudio. la eleccion de coleopteros para evaluar hábitats con respecto a la biodiversidad, condición y estructura, se debe a diversos factores, entre ellos que su biología es bien conocida, particularmente en respuesta a factores de estrés o cambios en el hábitat, su abundancia y facilidad de maipulacion,distribucion temporal y espacial (I. D. Hodkinson and J. K. Jackson, 2005).

La variabilidad entre las area de coberturas vegetales es amplia, y cada una de ella posee sus particularidades, entre las elegidas se encuentra el tacotal, que es una finca que estuvo en descanso por más de 4 años y donde crecen plantas silvestres o que han sido introducidas por el hombre. Los árboles y arbustos presentes suelen tener menos de 5 metros de altura y no hay nada o casi nada de especies espinosas, el bosque de ribera se ubica en los valles de fondo plano, a lo largo de los principales rios y quebradas. Los suelos son profundos, presentan una textura equilibrada con arcilla arenosa y contenidos de materia orgánica que van de un 4,9% hasta un 8,7%. La humedad del suelo es determinada principalmente por el aporte de agua de los ríos y quebradas durante los caudales máximos, el bosque primario que se ha mantenido interrumpido durante 75-100 o más años. Están compuestos por especies nativas de árboles. No presentan huellas evidentes de la actividad del hombre y sus procesos ecológicos no se han visto alterados de una forma apreciable y el bosque secundario que es una cobertura vegetal que se ha desarrollado mediante un proceso de regeneración natural, después de haberse eliminado la masa adulta original o gran parte de ella por actividades antrópicas o catástrofes naturales.(ecosistemas de costa rica;FAO ,2010).

Las especies de escarabajos utlizados fueron elegidas ya que se conocia su habitat, distribucion geografica, asi como sus caracteres morfologicos. Uno de los especimienes elegidos fue Copris tridentatus (Solís & Kohlmann,2003), el cual presenta una variacion del largo del humero de 12.5-13.2 mm y ancho 6.5-7.1 mm, especie colectada con trampas de excremento humano, y con una distribucion geografica muy reducida, Onthophagus notiodes (Solís & Kohlmann,2003), presenta una variacion del largo del humero 7.8 mm y ancho 4.1 mm, especie recolectada a elevaciones de 1070 a 1120 m, con una distribucion geografica mas amplia, Onthophagus xiphias (Solís & Kohlmann,2003), su variacion es de 6.1 mm largo y 3.7 mm de ancho del humero, su habitat mas comun es en bosques nubosos desde 1220 a 1500 msnm, su distribucion geografica se encuentra disbuida por la cordillera de talamanca, y por ultimo Trichillum (Eutrichillum) arcus (Solís & Kohlmann,2003), que presenta una variacion respecto al largo del humero de 3.8 mm y el ancho 2.7 mm, su colecta se realiza con trampas de carne podrida a lo largo del bosque tropical luvioso, su distribucion geografica es a lo largo de la cordillera de tilaran.

De antemano se conoce como la temperatura puede afectar en la capacidad de alimentarse de un insecto, su respuesta frente a las diferentes densidades de presa, la tasa de desarrollo del ciclo de vida y tambien su distribucion espacial y temporal en diferentes habitats(Gyenge et al,1998), así como estos pueden verse afectados por las variables medioambientales en este caso el nitrogeno(I. D. Hodkinson and J. K. Jackson, 2005). Es por ese motivo que el objetivo de este estudioes tomar en cuenta estas dos variables para con ello predecir diferentes fenomenos relacionados con la abundancia, distribucion, morfologia y relacion de estas especies con respecto a su ambiente en cuatro tipos de bosque y en diferentes epocas del año, asi como tambien estudiar en un ambiente controlado como afecta la temperatura a la actividad y sobrevivencia de los especimienes.

Objetivos

Objetivo General:

🔹 Determinar la interrelación entre la abundancia de coleópteros de las 4 diferentes especies y las distintas variables propias de los sitios de recolección así como la efectividad de usarlos como bioindicadores.

Objetivos Específicos:

🔹 Evaluar la posibilidad de que el tamaño de sus humeros esté involucrado con el sitio de mayor abundancia.
🔹 Analizar la distribución de los individuos y la concentración de NO3 en el sitio de muestreo
🔹 Determinar la dependencia entre el sitio y la abundancia de individuos con respecto a la especie.

Metodología

Área de estudio

Este estudio se llevo a cabo en diferentes áreas de Costa Rica, eligiendo como zonas de muestreo de especímenes los sitios de: Tacotal, bosques de ribera, bosques secundarios y bosques primarios que reunieran las características necesarias e idóneas para la captura de individuos y de medida de las variables para contrastar con estas. La zona de tacotal elegida había sufrido tala de arboles continuamente por varios años antes de convertirse en zona de pastoreo de ganado, que con el paso de los años se dejo de utilizar para la agricultura y tenia 5 años sin perturbación humana, la zona del bosque de ribera se demarco alrededor de varias quebradas cubiertas de bosque con la mínima perturbación antropogénica, el bosque primario poseía un dosel alto con arboles de gran tamaño, mientras el bosque secundario poseía una mezcla de áreas muy pobladas de vegetación y ciertos claros y al mismo tiempo arboles de tamaño considerable.

Diseño experimental

Para el muestreo de los individuos de cada especie se utilizaron, en cada uno de los ambientes estudiados, 30 trampas tipo pitfall en cada transecto elegido de 30 metros cada uno,(Noriega, 2001) las trampas fueron cebadas con excrementos de distintos mamiferos, con varios frutos y carne en descomposicion, esto con el fin de cuantificar la abundancia de las especies por sitio. Ademas de medirse las variables de la temperatura y el nitrogeno circundante a cada trampa con las herramnientas de medicion necesarias. El contenido de cada trampa fue colectado y de cada especie se eligieron 40 individuos para llevar a cabo estudios sobre el tiempo de actividad y de sobrevivencia con respecto a la exposicion controlada de 10 minutos a tres temperaturas distintas.

Análisis de datos

Para el análisis de la distribución de individuos y la concentración de NO3 se realiza una tabla de frecuencias utilizando el método de Sturges para el calculo de intervalos de clase. Posteriormente se procede a graficar los resultados mediante un histograma.

Para determinar la interdependencia de entre la abundancia por especie y el sitio de recolección se realizó una prueba de chí cuadrado de Pearson (χ^2) a un nivel de confianza del 95%.

Asumiendo una distribución normal se calcularon las probabilidades de atrapar determinadas cantidades de individuos.

Se realizo una estimación de la abundancia y la probabilidad de captura por medio del uso de probabilidades, La relación entre el ancho y el largo del humero de todas las especies se obtuvo a través del coeficiente de correlación utilizando el método de Spearman dado que estos no presentaban una distribución normal y seguido de eso re realizo un modelo lineal para ver cuando explicaba una variable a la otra, ademas se realizo una regresión lineal con tal predecir cuanto del largo del humero en las diferentes especies es explicado por el ancho de estos.

Se realizaron pruebas de análisis de varianza (ANOVA) a las variables estudiadas con respecto a las especies y los sitios estudiados para ellos se probo la normalidad de los residuos mediante el Test de Shapiro-Wilk, la homocedasticidad se comprobó mediante el test de Fligner-Killeen, las pruebas de ANOVA se realizaron mediante el método de Kruskal-Wallis para determinar si habían diferencias significativas y luego se aplico el método bonferroni con el fin de demostrar cuales eran esas diferencias.

Para determinar la correlación entre el tiempo de supervivencia de los individuos (Min) y la temperatura (C°) a la que fueron expuestos en el experimento, se utilizó el coeficiente de correlación de Spearman a un nivel de confianza del 95%. Esto dado que según el test de Shapiro-Wilk a un 95% de confianza, los valores de “p” para ambos casos fueron mucho menores a 0.05. Lo cual supone que no presentan normalidad.

Como hipótesis nula (H0) se planteó que no existe correlación entre el tiempo de supervivencia de los individuos (Min) y la temperatura (C°) del experimento.

Resultados y Discución

Usando el método de Sturges para distribución frecuencias se muestra que para el intervalo de 17 (mg * kg-1) a 18 (mg * kg-1) hay una frecuencia acumulada de 821 lo cual representa el 42.76% de los datos. En total se muestra una cantidad acumulada de 1823 datos en la clase de 20 (mg * kg-1) a 21 (mg * kg-1) la cual acumla el 100% de los datos.

Figura 1. Distribución de las concentraciones de NO3 (mg*kg-1)

La distribución de los datos de las concentraciones NO3 muestran que el dato mínimo es de aproximadamente 13 (mg * kg-1) mientras que el máximo es de 21 (mg * kg-1). La media de los datos es de 17.71 (mg * kg-1) y la mediana se encuentra en 18.00 (mg * kg-1).

Figura 2. Distribución de los datos de abundancia de individuos (N)

La media de captura por trampa fue de 18.18, de la cual se obtuvo una probabilidad de poder capturar esta cantidad del 36.94 por ciento y también se contabilizo la probabilidad de capturar valores menores y mayores a la media con un rango de dos dígitos de incertidumbre, la probabilidad de capturar por cada trampa valores menores o iguales a 16 fue de 41.99 y la probabilidad de capturar por trampa valores mayores o iguales 20 fue de 43.30. Se esperaba encontrar mayor abundancia en bosques primarios gracias a su mayor diversidad,(Boonrotpong et al., 2004) aunque contrario a lo obtenido se puede deducir que se deba a que en los diferentes hábitats la competencia se ha reducido y las especies han podido adaptarse a los diferentes nichos ecológicos.

EL valor de Chí cuadrado de Pearson al 95% de confianza para determinar la dependencia presentó valores de χ^2 = 76.911, p-value = 6.623e-13 con 9 grados de libertad. El valor de χ^2 fue de 16.91898

Figura 3. Abundancia de individuos en función del sitio de recolección

El sitio que presento mayor abundancia fue el bosque de riber(aa con 8917 especímenes de los cuales la especie mas abundante fue Onthophagus notiodes con 2397 especímenes y la de menor abundancia fue Trichillum arcus con 2171 especímenes.

El sitio con menor abundancia fue el bosque primario (d) con 8471 especímenes., donde la especie con mayorabundancia fue de nuevo Onthophagus notiodes con 2351 y de igual manera la de menor abundancia fue Trichillum arcus con 2096 especimenes. En total se capturaron 34897, de los cuales 9706 fueron de Onthophagus notiodes que fue la especie mas abundante, le siguió copris tidentatus con 8424, después Onthophagus xiphias con 8391 y por ultimo Trichillum arcus con 8376 especímenes.

Cuadro 2

Cuadro 3

Con respecto a la abundancia total y especifica de cada una de las especies capturadas, se puede observar que ha pesar de que si hay variaciones significativas estadísticamente entre varias de ellas como era de esperar según la teoría de riqueza y diversidad de Noss(1983), (Cuadro 3), la abundancia por sitio llega a ser estable.

La media de temperatura del aire al momento de captura de las especies fue en la mayoría de los casos de 25.37 grados Celsius, sin importar la época del año, con la particularidad de que la única especie que pudo ser capturada a temperaturas distintas fue Copris tridentatus(Cuadro 3), que esta pudo ser capturada a una media de 21.16 grados Celsius al llegar la época lluviosa, esto en todos los sitios maestreados.(R²= 0.4062; X²= 260.43; df(3, 1916); p<0.05) Esto aunque no se puede determinar con claridad el porque de este comportamiento, podría deberse a la capacidad que poseen ciertas larvas para poder adaptarse a eclosionar en temperaturas menores lo que les provee una adaptación mayor a la sobrevivencia. (Duarte,2009)

Figura 4. Supervivencia (min) en función de la temperatura (C°) según la especie

Según el test de Shapiro-Wilk a un 95% de confianza, los valores de “p” para ambos casos fueron mucho menores a 0.05. Lo cual supone que los datos no presentan normalidad. Para la temperatura el p-value fue < 2.2e-16 mientras que para el tiempo de supervivencia el valor de p-value fue = 3.815e-05

Como se puede observar el valor de probabilidad, p-value, para el coeficiente de Spearman es de 0.8966. Una cifra mucho mayor a 0.05. Lo que significa que no existe una correlación entre el tiempo de supervivencia y la temperatura a la a que fueron expuestos los individuos durante el experimento.

Conclusiones

Como se puede apreciar en la figura 1. Los nitratos se encuentran ampliamente distribuidos por lo cual responde

Referencias bibliográficas

BOONROTPONG, S.; SOTTHIBANDHU, S. & PHOLPUNTHIN,C. 2004. Species composition ofdung beetles in the primary and secondary forests at Ton Nga Chang wildlife sanctuary. Science Asia 30: 59-65.

Duarte, H. W., & Zenner de Polanía, I. (2009). Efecto de la temperatura sobre el desarrollo de Eriopis connexa connexa (Germar)(Coleoptera: Coccinellidae).

Food and Agriculture Organization of the United Nations, IT. (2010). Evaluación de los recursos forestales mundiales 2010: Informe Nacional.

Gyenge, J. E., Edelstein, J. D., & Salto, C. E. (1998). Efectos de la temperatura y la dieta en la biología de Eriopis connexa (Germar)(Coleoptera: Coccinellidae). Anais da Sociedade Entomológica do Brasil, 27(3), 345-356.

Hodkinson, I. D., & Jackson, J. K. (2005). Terrestrial and aquatic invertebrates as bioindicators for environmental monitoring, with particular reference to mountain ecosystems. Environmental management, 35(5), 649-666.

https://ecosistemasdecostarica.blogspot.com/

McGeoch, M. A. 1998. The selection, testing and application of terrestrial insects as bioindicators. Biological Reviews of the Cambridge Philosophical Society 73:181–201.

NORIEGA, J.A. 2001. Estudio de la actividad diaria de colonización del recurso alimenticio, en una comunidad de escarabajos coprófagos (Coleoptera:Scarabaeidae), a lo largo de un gradiente altitudinal en la Sierra Nevada de Santa Marta. Tesis de grado, Departamento de Ciencias Biológicas, Universidad de los Andes, 112 pp.

NOSS, R.F. 1983. A regional landscape approach to maintain diversity. Bio- Science 33: 700-706.

Solís, A., & Kohlmann, B. (2003). New species of dung beetles (Coleoptera: Scarabaeidae: Scarabaeinae) from Costa Rica and Panama. Zootaxa, 139(1), 1-14.

Anexos

#NO3
sum_no <- summary(NO3)
sum_no
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   13.00   17.00   18.00   17.71   19.00   21.00
frec4 <- fdt(NO3,start = 13, h = 1,end =21 )
frec4
##  Class limits   f   rf rf(%)   cf cf(%)
##       [13,14)  56 0.03  2.92   56  2.92
##       [14,15)  63 0.03  3.28  119  6.20
##       [15,16) 153 0.08  7.97  272 14.17
##       [16,17) 187 0.10  9.74  459 23.91
##       [17,18) 362 0.19 18.85  821 42.76
##       [18,19) 385 0.20 20.05 1206 62.81
##       [19,20) 348 0.18 18.12 1554 80.94
##       [20,21) 269 0.14 14.01 1823 94.95
ggplot2::ggplot(data = Muestreo, aes(x=no3,)) + geom_histogram(binwidth = 1, col='black', fill='blue', alpha=0.4)

#N
sum_n <- summary(N)
sum_n
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.00    9.00   17.00   18.18   27.00   40.00
frec4 <- fdt(N,start = 1, h = 5,end =45 )
frec4
##  Class limits   f   rf rf(%)   cf  cf(%)
##         [1,6) 298 0.16 15.52  298  15.52
##        [6,11) 260 0.14 13.54  558  29.06
##       [11,16) 294 0.15 15.31  852  44.38
##       [16,21) 276 0.14 14.37 1128  58.75
##       [21,26) 245 0.13 12.76 1373  71.51
##       [26,31) 260 0.14 13.54 1633  85.05
##       [31,36) 135 0.07  7.03 1768  92.08
##       [36,41) 152 0.08  7.92 1920 100.00
ggplot2::ggplot(data = Muestreo, aes(x= N)) + geom_histogram(binwidth = 1, col='black', fill='blue', alpha=0.4)

#χ^2

#H[0] = La Especie no depende del sitio de recolección
#H[alt] = La Especie depende del sitio de recolección

redondear = options(digits=3)
ji <-data.frame("bp"= c(2023,2302,2114,2032), "bs"= c(2174,2351,2186,2096), "rib"=c(2299,2397,2144,2077),"tac"= c(1928,2656,1947,2171)) 
ji
##     bp   bs  rib  tac
## 1 2023 2174 2299 1928
## 2 2302 2351 2397 2656
## 3 2114 2186 2144 1947
## 4 2032 2096 2077 2171
chisq.test(ji)
## 
##  Pearson's Chi-squared test
## 
## data:  ji
## X-squared = 77, df = 9, p-value = 7e-13
qchisq(p = 0.95,df = 9)
## [1] 16.9
# Rechaza H[0] ∴ La Especie depende del sitio de recolección

Muestreo$N <- as.numeric(Muestreo$N)
ggplot(data = Muestreo, aes(x= sitio,y = N, fill=especie)) + geom_bar(stat="identity", alpha=0.8)+
scale_fill_brewer(palette="PRGn")+  
annotate("text", x =3, y=9500 ,  label = "a")+ annotate("text", x =2, y=9300 ,  label = "b")+
annotate("text", x =4, y=9200 ,  label = "c")+annotate("text", x =1, y=9000 ,  label = "d")+
labs(x= "Sitio de recolección", y = "Abundancia de individuos")

#------------------------------------------------------------

plot(Muestreo$length , Muestreo$hum_width, xlab = "Largo humero", ylab = "Ancho humero", main = "Regresion Largo vs Ancho")

summary(Muestreo$length)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    1.76    4.42    6.73    7.39    8.99   16.34
ggplot(Muestreo, aes(x = length,y = hum_width, colour =especie))+ geom_point()+scale_fill_brewer(palette="PRGn") + geom_abline()

lm.anova.2 <- lm(Experimento$actividad~Experimento$especie)
summary(lm.anova.2)
## 
## Call:
## lm(formula = Experimento$actividad ~ Experimento$especie)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -19.779  -2.406   0.052   2.488  15.792 
## 
## Coefficients:
##                               Estimate Std. Error t value Pr(>|t|)    
## (Intercept)                     60.369      0.424   142.3   <2e-16 ***
## Experimento$especieo_notiodes  -15.375      0.600   -25.6   <2e-16 ***
## Experimento$especieo_xiphias   -14.787      0.600   -24.6   <2e-16 ***
## Experimento$especiet_arcus     -24.170      0.600   -40.3   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.65 on 476 degrees of freedom
## Multiple R-squared:  0.779,  Adjusted R-squared:  0.777 
## F-statistic:  558 on 3 and 476 DF,  p-value: <2e-16
shapiro.test(lm.anova.2$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  lm.anova.2$residuals
## W = 1, p-value = 2e-09
tapply(Experimento$actividad,Experimento$especie,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           120           120           120           120
fligner.test( Experimento$actividad~Experimento$especie)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Experimento$actividad by Experimento$especie
## Fligner-Killeen:med chi-squared = 78, df = 3, p-value <2e-16
kruskal.test(Experimento$actividad~Experimento$especie)
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Experimento$actividad by Experimento$especie
## Kruskal-Wallis chi-squared = 346, df = 3, p-value <2e-16
pairwise.wilcox.test(Experimento$actividad,Experimento$especie, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  Experimento$actividad and Experimento$especie 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes <2e-16        -          -        
## o_xiphias  <2e-16        1          -        
## t_arcus    <2e-16        <2e-16     <2e-16   
## 
## P value adjustment method: bonferroni
pe2 <- ggplot(Experimento, aes(x = especie, y = actividad)) + geom_boxplot(fill='#A4A4A4', color="black")
pe2 + labs(title="Actividad de los individuos con respecto a la especie",x= "Especie", y = "Actividad (min)")

anchohumero<- (Muestreo$hum_width)
largohumero<- (Muestreo$length)
especies <- (Muestreo$especie)
c<- lm(anchohumero ~ especies)
summary(c)
## 
## Call:
## lm(formula = anchohumero ~ especies)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -4.626 -0.366  0.001  0.347  4.724 
## 
## Coefficients:
##                    Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          7.1824     0.0504   142.5   <2e-16 ***
## especieso_notiodes  -3.2835     0.0713   -46.0   <2e-16 ***
## especieso_xiphias   -4.0896     0.0713   -57.4   <2e-16 ***
## especiest_arcus     -4.9662     0.0713   -69.7   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.1 on 1916 degrees of freedom
## Multiple R-squared:  0.743,  Adjusted R-squared:  0.743 
## F-statistic: 1.85e+03 on 3 and 1916 DF,  p-value: <2e-16
shapiro.test(c$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  c$residuals
## W = 0.9, p-value <2e-16
tapply(anchohumero,especies,length)
## c_tridentatus    o_notiodes     o_xiphias       t_arcus 
##           480           480           480           480
fligner.test( anchohumero~ especies)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  anchohumero by especies
## Fligner-Killeen:med chi-squared = 993, df = 3, p-value <2e-16
anova3<- kruskal.test(anchohumero~ especies)
anova3
## 
##  Kruskal-Wallis rank sum test
## 
## data:  anchohumero by especies
## Kruskal-Wallis chi-squared = 1285, df = 3, p-value <2e-16
pairwise.wilcox.test(anchohumero,especies, p.adjust.method = "b", exact=F)
## 
##  Pairwise comparisons using Wilcoxon rank sum test with continuity correction 
## 
## data:  anchohumero and especies 
## 
##            c_tridentatus o_notiodes o_xiphias
## o_notiodes <2e-16        -          -        
## o_xiphias  <2e-16        <2e-16     -        
## t_arcus    <2e-16        <2e-16     <2e-16   
## 
## P value adjustment method: bonferroni
shapiro.test(Muestreo$length)
## 
##  Shapiro-Wilk normality test
## 
## data:  Muestreo$length
## W = 0.9, p-value <2e-16
shapiro.test(Muestreo$length)
## 
##  Shapiro-Wilk normality test
## 
## data:  Muestreo$length
## W = 0.9, p-value <2e-16
cor.test(Muestreo$length, Muestreo$hum_width, method = "spearman")
## 
##  Spearman's rank correlation rho
## 
## data:  Muestreo$length and Muestreo$hum_width
## S = 3e+08, p-value <2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##   rho 
## 0.757
regresion1 <- lm( Muestreo$hum_width ~ Muestreo$length)
regresion1
## 
## Call:
## lm(formula = Muestreo$hum_width ~ Muestreo$length)
## 
## Coefficients:
##     (Intercept)  Muestreo$length  
##           0.394            0.501
summary(regresion1)
## 
## Call:
## lm(formula = Muestreo$hum_width ~ Muestreo$length)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -4.911 -0.468  0.038  0.519  4.596 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)      0.39445    0.06003    6.57  6.4e-11 ***
## Muestreo$length  0.50117    0.00728   68.87  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.17 on 1918 degrees of freedom
## Multiple R-squared:  0.712,  Adjusted R-squared:  0.712 
## F-statistic: 4.74e+03 on 1 and 1918 DF,  p-value: <2e-16
Experimento$temperatura <- as.numeric(Experimento$temperatura)
Experimento$sobrevivencia <- as.numeric(Experimento$sobrevivencia)

temp_ex <- c(Experimento$temperatura)
sup <- c(Experimento$sobrevivencia)

shapiro.test(temp_ex)
## 
##  Shapiro-Wilk normality test
## 
## data:  temp_ex
## W = 0.8, p-value <2e-16
shapiro.test(sup)
## 
##  Shapiro-Wilk normality test
## 
## data:  sup
## W = 1, p-value = 4e-05
cor.test(temp_ex,sup,method = "spearman")
## Warning in cor.test.default(temp_ex, sup, method = "spearman"): Cannot compute
## exact p-value with ties
## 
##  Spearman's rank correlation rho
## 
## data:  temp_ex and sup
## S = 2e+07, p-value = 0.9
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##      rho 
## -0.00595