Efemerópteros como bioindicadores para la determinación de la calidad del agua en ríos de Costa Rica

Rebeca Sánchez\(^1\),Bryan Solano\(^1\), Alexandra Salas\(^1\)

[1]Universidad Nacional de Costa Rica, Escuela de Ciencias Biológicas ,,

RESUMEN

Los Efemerópteros son insectos acuáticos muy sensibles a la contaminación, por lo cual en diversos estudios han sido utilizados como bioindicadores de la calidad del agua. Los niveles de amonio (NH4) y ortoforfato (PO4) en grandes concentraciones en el agua puede relacionarse a actividades humanas como el uso de insecticidas. El objetivo general de esta investigación se centró en analizar la abundancia de efemerópteros como un bioindicador de la calidad de agua en ríos de Costa Rica durante la época seca y lluviosa. Mediante métodos estadísticos se encontró que los niveles de amonio y fosfato reportados en los ríos de estudio no tienen impacto en la abundancia de estas especies, sin embargo, el ortofosfato influye, en cierta medida, en la longitud de estos.

PALABRAS CLAVE

Abundancia, sobrevivencia, clorpirifo, calidad del agua, amonio.

INTRODUCCIÓN

Los macroinvertebrados acuáticos son considerados relevantes en los estudios de bioindicación ya que reúnen ciertas condiciones entre las que se destacan su gran riqueza de especies, capacidad de colonización, amplia distribución, su sensibilidad a las variaciones espaciales y temporales, y a cambios en las condiciones físicas y químicas. Dentro de este grupo, Ephemeroptera es considerado un orden clave para estos estudios, ya que además de ser uno de los principales grupos de macroinvertebrados, son abundantes y diversos. Igualmente son relativamente fáciles de colectar, pasan prácticamente toda su vida en el agua como ninfas y viven como adultos desde pocas horas hasta aproximadamente tres días para alcanzar el apareamiento y ovoposición. Estas características les permiten ser uno de los testigos de las variaciones que puedan presentarse en los ecosistemas acuáticos que habitan. (Forero & Reinoso, 2015)

La evaluación de la calidad del agua se ha realizado tradicionalmente basada en los análisis fisicoquímicos y bacteriológicos. Sin embargo, en los últimos años, muchos países han aceptado la inclusión de los macroinvertebrados para evaluar la calidad de los ecosistemas acuáticos. (Roldán, 2016) . Los efemerópteros son poco resistentes a la contaminación y por este motivo son buenos indicadores. Cuando se detectan efímeras en un curso de agua o cualquier otra masa es una señal de que son aguas poco contaminadas.

Para examinar la calidad del agua de un río se comparan los valores medidos de la concentración de un parámetro fisicoquímico o biológico, con los estándares de calidad establecidos en algún instrumento legal, y definidas de acuerdo con criterios de uso del agua. En cuerpos de agua, se encuentran elementos como fosfatos (ortofosfatos, fosfatos condensados y fosfatos enlazados orgánicamente). En aguas frescas no contaminadas se encuentran en bajas concentraciones. Los ortofosfatos y los fosfatos condensados provienen de la aplicación de fertilizantes en suelos para cultivos agrícolas. (Beita y Barahona, 2010). El nitrato también es esencial en el crecimiento de las plantas y los ecosistemas acuáticos. Su uso es predominante como fertilizante, por lo tanto, las actividades humanas incrementan sus niveles principalmente en el suelo, debido a su solubilidad en agua, llega a alcanzar concentraciones importantes en ríos o lechos profundos. Como consecuencia, la presencia de nitratos se relaciona con los residuos de fertilizantes utilizados para los cultivos, e incluso de plaguicidas. (Bolaños, Cordero y Segura, 2017).

Con base en estas consideraciones, el propósito general de este trabajo está en analizar la distribución de efemerópteros en ríos de Costa Rica durante la época seca y lluviosa y a través de análisis estadísticos determinar si la abundancia de estos insectos funciona como bioindicador de la calidad del agua en estos sitios.

OBJETIVOS

Objetivo General

Analizar la abundancia de efemerópteros como un bioindicador de la calidad de agua en ríos de Costa Rica durante la época seca y lluviosa.

Objetivos Específicos

  • Evaluar el tiempo de supervivencia de los efemerópteros al ser sometidos a distintas concentraciones de insecticida organofosforado.

  • Determinar si las concentraciones de amonio y ortofosfato influyen en la abundancia de los efemerópteros en los ríos Peje, Chachagua, San Carlos y Chachagüita.

  • Identificar si los niveles de amonio y ortofosfato del agua influyen en la longitud cefálica y total de los efemerópteros.

METODOLOGÍA

Área de Estudio

El estudio se realizó en Costa Rica entre los años 2017-2018 y se seleccionaron cuatro sitios de muestreo: río Peje (sitio 1), río Chachagua (sitio 2), río San Carlos (sitio 3) y río río Chachagüita (sitio4) ubicados en los alrededores de la provincia de Alajuela, estos sitios se visitaron durante la época seca y lluviosa. Se tomaron datos de cuatro especies de Efemerópteros presentes:Moribaetis sp(baetidae 1),Baetodes sp(baetidae 2),Fallceon sp (baetidae 3) y Guajirolus sp(baetidae 4).

Diseño Experimental

Para la recolección de datos en los sitios de muestreo se efectuaron 30 muestras aleatorias en las cuales se identificaron las cuatro especies de Efemerópteros, además se estimó el valor promedio de los parámetros morfométricos: longitud cefálica (long_head; mm) y longitud total (long_tot; mm). Durante el muestreo de campo se realizó la medición NH4 (amonio;mg/L) y PO4 (ortofosfato;mg/L) en el agua. Se realizó un experimento donde se transportaron 40 ejemplares (10 de cada ambiente) de cada especie, capturados de forma aleatoria para comprobar el tiempo de actividad (min) y sobrevivencia (min) posterior a someterlas a 3 concentraciones (conc1, conc2 y conc3) de Clorpirifo (insecticida organofosforado) (exposición 10 minutos) en condiciones controladas de laboratorio.

Análisis de Datos

Se crearon tablas e histogramas de frecuencia relativa y relativa acumulada, con el objetivo de conocer la abundancia de acuerdo con el género, de este modo se buscó conocer la frecuencia con la que era posible encontrar cierta cantidad de individuos durante el muestreo. Para este experimento se utilizó el género más abundante (Moribaetis sp). Asimismo, se trabajó la sobrevivencia, luego de ser sometidas a ciertas concentraciones de Clorpirifo, se deseaba conocer la frecuencia con la que determinadas cantidades de individuos podrían sobrevivir a las distintas concentraciones de insecticida. Se trabajó con el género Guajirolus sp y Moribaetis sp. Seguidamente, se aplicaron probabilidades binomiales con la intención de conocer las posibilidades de encontrar distintas cantidades de individuos, se trabajó con valores aproximados, exactos e intervalos, para obtener diversas probabilidades de encontrar cantidades de individuos en la toma de muestras de acuerdo con un factor específico para el género determinado. Posteriormente, se dividieron los datos en forma de vectores para cada género y se procedió a realizar pruebas de normalidad mediante Shapiro-Wilk al 95% de confianza, además se crearon gráficos y se trazaron líneas de densidad para comprobar si seguían la forma de la curva de distribución normal. Posterior a esto se tomaron los datos por género se calculó la desviación estándar y la media poblacional, lo cual se realizó con la intención de determinar distintas probabilidades de que diversos individuos puedan o no pertenecer a algún género específico dependiendo de su longitud total, mediante la prueba de z. Se plantearon hipótesis sobre la existencia de una diferencia significativa en la abundancia de todas las especies de efemerópteros entre el año 2017 y 2018 y sobre una diferencia significativa en la abundancia entre la estación seca y lluviosa. Para ambas hipótesis se consideró la H0 (nula) en el caso de que la abundancia de especies fuera igual y como H1 (alternativa) se propuso que hubiese diferencia significativa. Ambas pruebas se realizaron mediante la prueba de Wilcoxon al 95% de confianza. Se realizaron varias pruebas de bondad de ajuste (Chi-Cuadrado) para analizar la homogeneidad de los niveles de amonio y ortofosfato entre los distintos sitios, así como la abundancia entre los sitios y, también, la abundancia según especies. Con el fin de demostrar la relación entre algunas de nuestras variables, se realizaron pruebas de correlación: NH4-Abundancia, NH4-Longitud total, PO4-Abundancia, PO4-Longitud total. En estas pruebas se utilizó el método de Spearman y Kendall. Luego, se realizaron modelos de regresión lineal para algunas de las correlaciones obtenidas. A estos modelos se le realizaron pruebas de Durbin-Watson para la autocorrelación de errores, de Shapiro-Wilk para normalidad y test de heterocedasticidad. Finalmente, se llevó a cabo la creación de modelos de análisis de varianza para la sección de experimento por medio de la prueba de Kruskal-Wallis, el primer modelo evaluó la tasa de supervivencia de los efemerópteros en función de las concentraciones de insecticida, el segundo, se propuso para descubrir si existían diferencias significativas entre la tasa de sobrevivencia al insecticida y la especie de efemeróptero.El tercero, la longitud total de los Efemerópteros y la especie. A cada modelo se le aplicaron las pruebas para los supuestos estadísticos, normalidad de residuos por prueba de Shapiro-Wilk al 95% de confianza y pruebas de Fligner para análisis de homocedasticidad. Todos los análisis de datos se realizaron utilizando el programa estadístico RStudio (Versión 1.3.1093, 2020).

RESULTADOS

Para las distribuciones de frecuencia, se comenzó por la variable de abundancia. En este caso para el género Moribaetis sp, los datos se distribuyen entre los diversos valores de manera bastante homogénea, se denota que es bastante común obtener una buena cantidad de individuos para este género. Se obtuvo una cantidad total de 10211 individuos, recolectados en los 480 muestreos, mientras que para el género Beatodes sp solamente se obtuvieron 1874 individuos, en la misma cantidad de muestreos, con una frecuencia de encontrar en promedio 6 individuos.

Figura 1 Distribuciones de frecuencia para abundancia total del género Moribaetis sp.

Figura 2. Frecuencias relativas acumuladas para abundancia total de Moribaetis sp.

Luego de ser sometidos a diversas concentraciones de Clorpirifo, se analizó la supervivencia de los individuos, para los géneros Guajirolus sp (el cual presenta una tasa de supervivencia alta) y Moribaetis sp (el cual presenta una tasa de supervivencia baja. El género Guajirolus sp se presentan gran cantidad de frecuencias de supervivencia mayores a 13, lo cual indica que este género tiene mayor capacidad de resistencia a este químico que Moribaetis sp, como se puede observar en el cuadro 4, donde sobreviven cantidades muy bajas, menores a 13 individuos, esto nos muestra una clara sensibilidad de estos individuos a dicho químico.

Figura 3 . Frecuencias relativas para sobrevivencia total del género Guajirolus sp.

Figura 4. Frecuencias relativas acumuladas para sobrevivencia total de Guajirolus sp.

Para las probabilidades binomiales se realizaron tres planteamientos. Planteamiento 1: En el muestreo aleatorio para dos especies, en el mismo sitio (Río Peje) y época donde se encontraron 748 ejemplares de Moribaetis sp y 101 ejemplares de Beatodes sp Se buscó saber cuál es la probabilidad de que para el siguiente muestreo bajo las mismas características se pueda encontrar más de 120 individuos del género Beatodes sp, ya que su población es muy poco densa. De este modo se obtuvo una probabilidad del 15%, lo cual nos reafirma la clara escasez de individuos pertenecientes a este género, como se evidenció también en las respectivas tablas de frecuencia. Planteamiento 2: Se desea saber cuál es la probabilidad de encontrar al menos 112 ejemplares de Beatodes sp para el mismo experimento. Para este planteamiento se obtuvo un 45% de probabilidad de encontrar dicha cantidad de individuos. Y para el planteamiento 3: ¿Cuál es la probabilidad de encontrar entre 620 y 700 ejemplares de Guajirolus sp en época seca? Donde en época seca se capturaron 618 ejemplares y en época lluviosa 628 ejemplares. Se encontró 30% de posibilidad de encontrar una cantidad de individuos mayor a 620, donde el tamaño de la muestra anterior es de 618 individuos para época seca. También se plantearon 2 interrogantes de probabilidad, A: ¿Cuál es la probabilidad de encontrar exactamente 630 ejemplares? La probabilidad de encontrar exactamente 630 individuos de este género = 1.2% y B: ¿Al menos 630? La posibilidad de encontrar al menos 630 es bastante baja de 1.4%

Para los datos de longitud total de los individuos, la prueba de Shapiro-Wilk arrojó valores de p mayores a 0.05 para todos los géneros y la creación de gráficas y líneas de densidad (estas son visuales) se determinó normalidad para el total de los datos de cada género como se muestra en las figuras 5, 6, 7 y 8. Durante el muestreo se capturaron individuos de diferentes tamaños, se calcularon las desviaciones estándar y medias de cada género en su totalidad como lo muestra el Cuadro 1.Posteriormente mediante las pruebas de z.test, se determinó que es probable saber a qué género pertenece cada individuo de acuerdo con su longitud total, excepto para individuos de las especies Guajirolus sp y Fallceon sp que presentan medias de longitud total relativamente parecidas, razón por la cual, dependiendo la longitud del individuo, la prueba puede arrojar que pertenece a ambas poblaciones.

Cuadro 1 Desviaciones estándar (Desv.Est) y medias poblacionales para cada género de efemerópteros.

Cuadro 2. Resultados de las pruebas de Z.test

Figura 5. Distribución normal con la línea de densidad para longitudes totales de Moribaetis sp. Valor de p = 0.85

Figura 6. Distribución normal con la línea de densidad para longitudes totales de Baetodes sp. Valor de p = 0.40

Figura 7.Distribución normal con la línea de densidad para longitudes totales de Fallceon sp. Valor de p = 0.38

Figura 8. Distribución normal con la línea de densidad para longitudes totales de Guajirolus sp. Valor de p = 0.25

Los resultados de las pruebas de hipótesis mediante el Test de Wilcoxon al 95% de confianza en ambos casos aceptan la H0, es decir, no hay diferencias significativas entre la abundancia de efemerópteros en época seca o lluviosa (W = 474373, p-value = 0.2629) o entre los años 2017 y 2018 (W = 467828, p-value = 0.5621). Se realizaron múltiples pruebas de bondad de ajuste, en la primera se analizó la asociación entre abundancia y los 4 sitios de estudio, con lo que se obtuvo un p-value de 0.9998 por lo que se acepta la H0, siendo esta la no asociación entre nuestras variables. Luego se realizó otras dos pruebas de bondad de ajuste analizando la igualdad en los niveles de NH4 y PO4 en los 4 sitios, tanto para el NH4 como para el PO4 se obtuvo un p-value de 1, que acepta la igualdad de los niveles de estas sustancias en los 4 sitios. Además, se realizó otra prueba para analizar la homogeneidad de abundancia según las especies, cuyo p-value resultante fue de 0.001859, por lo que se rechaza la H0 y se aceptan las diferencias entre abundancias según especies. Se realizaron múltiples análisis de correlación para probar la influencia del amonio y el ortofosfato en la abundancia de efemerópteros, entre otras. Primero se probó la relación entre los niveles de amonio en el agua y la abundancia de los efemerópteros, como ninguno seguía una distribución normal se utilizó el método de Kendall y se obtuvo un coeficiente de correlación tau= -0.001566955, al no existir correlación, no se prosiguió. Luego, mediante el método de Spearman, se analizó la correlación entre la longitud total de los efemerópteros y los niveles de amonio. se obtuvo un coeficiente de correlación rho 0.07575964.(Figura 10).

Figura 9. Relación entre niveles de amonio (mg/L) y longitud total de efemerópteros.

Aunque es un valor muy bajo, se realizó el modelo de regresión para analizar un poco más a fondo, el modelo quedó definido por la ecuación:(-0.1951Nivel NH4)+9.3407, P-value: 0.469. A partir de la cual se generan dos predicciones: ¿Qué longitud tendría un individuo, si el nivel de amonio medido es de 0.90mg/L? (-0.19510.90) +9.3407 = 9.16511. R/ Tendría una longitud total aproximada de 9.16511 mm, ¿Qué longitud tendría un individuo, si el nivel de amonio medido es de 0.620464951 mg/L? (-0.1951*0.620464951) + 9.3407 = 9.219647. R/ Tendría una longitud total aproximada de 9.219647 mm. Sin embargo, mediante un modelo de Durbin-Watson se encontró este modelo presenta autocorrelación de errores, una prueba Shapiro-Wilk nos indicó que los residuos no siguen una distribución normal y un test de heterocedasticidad demuestra que no cumple la homocedasticidad. Luego, se procedió a realizar pruebas similares, pero en este caso con el ortofosfato. En primer lugar, se analiza la relación con la abundancia y, a través del método de Kendall, se obtiene un coeficiente de correlación tau= 0.2258727, en este caso no se procedió con el modelo de regresión. También se analizó la correlación entre el ortofosfato y la longitud total de las especies, en la que se obtuvo un coeficiente de correlación rho= 0.4273165.

Figura 10. Relación entre niveles de ortofosfato (mg/L) y longitud total de efemerópteros.

En este caso también se realizó el modelo de regresión, el cual queda definido por esta ecuación: (3.1453Nivel PO4)+6.5154, P-value: < 2.2e-16. A partir de este se generó una predicción: ¿Qué longitud tendría un individuo, si el nivel de ortofosfato medido es de 0.58311 mg/L? (3.14530.58311 )+6.5154= 8.349456. R/ Tendría una longitud total de 8.349456 mm. Sin embargo, utilizando las mismas pruebas del modelo anterior encontramos que este modelo presenta autocorrelación de errores, los residuos no siguen una distribución normal y no cumple la homocedasticidad. Por último, se realizó un análisis para probar la relación entre la longitud total y la abundancia de Efemerópteros a través del método de Spearman y se obtuvo un coeficiente de correlación rho 0.6733817.

Figura 11. Relación entre abundancia y longitud total de efemerópteros.

Este modelo queda definido por la ecuación: Y= 7.083827+(0.195803X),P-value=< 2.2e-16. Y a partir de este se generaron las siguientes predicciones: ¿Longitud obtenida si la abundancia es de 19? 7.083827+(0.195803 19)= 10.80408. R/La longitud obtenida será de 10.80408 mm, ¿Longitud obtenida si la abundancia es de 28? 7.083827+(0.195803*28)=12.56631. R/La longitud obtenida será de 12.56631 mm. No obstante, al igual que en los dos modelos anteriores encontramos que este modelo presenta autocorrelación de errores, los residuos no siguen una distribución normal y no cumple la homocedasticidad. Se realizó una prueba de análisis de varianzas para ver si existían diferencias entre las longitudes según las distintas especies. Se realizó una prueba de Fisher ya que los datos son balanceados, presentan normalidad y mediante una prueba de Bartlett se determinó la heterocedasticidad. La prueba nos indicó diferencias entre todas las especies. (Figura 12).

Figura 12. Relación entre especies y longitud total de efemerópteros.

Finalmente en la sección del experimento el resultado de la exposición de los efemerópteros al insecticida organofosforado Clorpirifo, las muestras presentaron una normalidad no paramétrica (Shapiro test P<0.05), y homocedasticidad (Fligner test P>0.05), los análisis de varianza (ANDEVA) a través de la prueba Kruskal-Wallis probaron una diferencia no significativa (P>0.05) entre las variables de sobrevivencia y concentración (Figura 13) y para las variables de sobrevivencia y especie (Figura 14).

Figura 13. Sobrevivencia (min) de Efemerópteros en tres concentraciones (conc1, conc2 y conc3) de insecticida Clorpirifo.

Figura 14 Relación entre la sobrevivencia (min) y las cuatro especies de Efemerópteros.

DISCUSIÓN

A pesar de que en la literatura se indica que los géneros Moribaetis spy Baetodes sp son muy abundantes en aguas no contaminadas y se hace especial mención al género Baetodes sp por que tiene cierta resistencia a contaminación y cambios en su hábitat (Flowers & De la Rosa, 2010), este género mostró ser el menos abundante entre los cuatro géneros muestreados, esto podría deberse a factores externos como menciona Salinas, L., Villegas-A, P & Román-Valencia, C., (2019) donde se hace evidente daño al ecosistema con el aumento de otras actividades humanas como la agricultura intensiva, la minería, extracción de material de río y la ganadería, lo cual provoca claramente daños al ecosistema acuático, aunque en este caso, no se conoce cuáles podrían ser los factores externos exactos, es muy probable que sea debido a actividad humana. Las probabilidades binomiales cumplieron la función de arrojar resultados para cada planteamiento de qué podría pasar si se realizan muestreos en varias ocasiones, este tipo de pruebas permiten establecer la probabilidad de que un suceso tenga un resultado determinado, tal y como se efectuó en este estudio, determinando así la probabilidad de encontrar cantidades de individuos muy específicas.Las pruebas de Shapiro-Wilk toman importancia a la hora de concluir normalidad en los datos y las pruebas de z.test fueron muy importantes para determinar pertenencias de individuos en diversas poblaciones, en este caso, fue uno de los usos más importantes, en la elaboración de las probabilidades.

Se aceptó la hipótesis nula de que no existen diferencias significativas de la abundancia de Efemerópteros entre la época seca o lluviosa y entre los años de estudio (2017 y 2018). La reproducción en estas especies ocurre durante todo el año, con hembras poniendo entre 400 y 1 000 huevos en promedio cada una (Flowers & De la Rosa, 2010) por lo tanto, el no encontrar diferencias entre su abundancia representa que no hay cambios en las condiciones ambientales que puedan estar afectando negativamente la reproducción y sobrevivencia de estas especies.

También, se aceptaron las hipótesis de que los niveles de ortofosfato y amonio son homogéneos en los 4 sitios de estudio, esto puede deberse a la cercanía relativa que existe entre los 4 sitios, todos están expuestos a condiciones muy similares, con asentamientos cerca de estos y con cultivos en sus orillas para la producción de granos básicos como frijol, arroz y maíz, además de caña de azúcar, raíces y tubérculos (Rojas, 2011). Se encontraron diferencias entre las longitudes según las distintas especies, tomando en cuenta que las pruebas de correlación entre las sustancias analizadas y la longitud nos dieron correlaciones muy bajas, prácticamente nulas, entonces, probablemente esto se deba a que la familia baetidae es muy diversa, con ninfas de tamaño variable (2,0-22,0 mm). (Roldan, 1988).

En pruebas de correlación encontramos que el amonio no influye en absoluto en la abundancia o en la longitud de los efemerópteros, esto se puede deber a que los niveles encontrados en los sitios son muy bajos, comparados con lo usual. La Confederación Hidrográfica de Ebro tiene las clasificaciones 0-25 mg/L sin contaminar; 25-50 mg/L, en riesgo de contaminación: • 50-100 mg/L, contaminadas; >100 mg/L, muy contaminadas. (CHEBRO, 2003). Al ser valores tan bajos, consideramos que esta puede ser una explicación posible.

El ortofosfato influye en cierta medida a la longitud total de nuestros individuos, a pesar de que los niveles son más altos de lo normal, ya que la Agencia de Protección Ambiental de EEUU propone límites de 0.15mg/L para aguas que desembocan en ríos.(Coto, 2007). Esto indica que estas especies están, más allá de resistiendo, aprovechando estos altos niveles de fosfato en agua.

En la sección de experimento se expuso a los Efemerópteros a un insecticida organofosforado (Clorpirifo) debido a la toxicidad aguda de estos compuestos, los insecticidas organofosforados son tóxicos para insectos benéficos, para los peces, y para la vida silvestre, entre ellos el Clorpirifo. (Badii, & Varela, 2015). Los resultados de las pruebas estadísticas ANDEVA no demostraron diferencias significativas entre el tiempo de supervivencia y la concentración de Clorpirifo, esto posiblemente debido a que las concentraciones fueron muy similares entre sí como para generar resultados significativamente distintos. Para la prueba realizada por especies y tiempo de supervivencia, algunos Efemerópteros como especies de Baetodes y Camelobaetidius están entre los efímeros que pueden tolerar cierto grado de contaminación y alteración de su hábitat y localmente llegar a ser muy abundantes. (Flowers & De la Rosa, 2010) no obstante, los resultados no presentan una diferencia significativa entre la especie Baetodes sp (Baetidae 2) y las demás del experimento.

CONCLUSIONES

● En el experimento, al evaluar el tiempo de supervivencia de los efemerópteros, no se encontraron diferencias significativas entre las concentraciones de insecticida organofosforado o las especies. Se recomienda para futuras investigaciones, variar las concentraciones de Clorpirifo.

● Los análisis realizados no demuestran que en los sitios de estudio existan altos grados de contaminación, debido a que los niveles encontrados de NH4 y PO4 son bajos y no hay evidencia de que las poblaciones de efemerópteros sean afectadas.

● Los niveles de amonio y fosfato no tienen impacto en la abundancia de estas especies, sin embargo, el ortofosfato influye, en cierta medida, en la longitud de estos.

REFERENCIAS BIBLIOGRÁFICAS

Badii, M. H., & Varela, S. (2015). Insecticidas organofosforados: efectos sobre la salud y el ambiente. Cultura Científica y Tecnológica, (28)

Beita, W, Barahona, M. (2010). Fisico-química de las aguas superficiales de la Cuenca del río Rincón, Península de Osa, Costa Rica. Centro de Investigación en Contaminación Ambiental, Universidad de Costa Rica.

Bolaños-Alfaro, John Diego, Cordero-Castro, Gloriana, & Segura-Araya, Gloriana. (2017). Determinación de nitritos, nitratos, sulfatos y fosfatos en agua potable como indicadores de contaminación ocasionada por el hombre, en dos cantones de Alajuela (Costa Rica). Revista Tecnología en Marcha, 30(4), 15-27. https://dx.doi.org/10.18845/tm.v30i4.3408

CHEBRO (Confederación Hidrográfica del Ebro) (2003) Definición de la red de nitratos en aguas subterráneas, muestreo y determinaciones “in situ”, en la Cuenca del Ebro. CHEBRO. Zaragoza. Extraido de: https://eprints.ucm.es/35036/1/T29933.pdf

Flowers, R. W., & De la Rosa, C. (2010). Capítulo 4: Ephemeroptera. Revista de Biología Tropical, 58, 63-93. Forero, A & Reinoso, G. (2015). Estudio de la familia Baetidae (Ephemeroptera: Insecta) en una cuenca con influencia de la urbanización y agricultura: río Alvarado- Tolima. Revista De La Asociacion Colombiana De Ciencias Biologicas. Recuperado de https://www.revistaaccb.org/r/index.php/accb/article/view/16

Gutiérrez, Yeisson, & Dias, Lucimar G.. (2015). Ephemeroptera (Insecta) de Caldas - Colombia, claves taxonómicas para los géneros y notas sobre su distribución. Papéis Avulsos de Zoologia, 55(2), 13-46. https://doi.org/10.1590/0031-1049.2015.55.02

Roldán, G. (2016). Los macroinvertebrados como bioindicadores de la calidad del agua: cuatro décadas de desarrollo en Colombia y Latinoamérica. Ciencias Naturales.DOI: http://dx.doi.org/10.18257/raccefyn.335 .

Salinas, L., Villegas, P., & Román-Valencia, C. (2019). COMPOSICIÓN Y TAXONOMIA DE LA FAMILIA BAETIDAE (INSECTA: EPHEMEROPTERA) PARA LA CUENCA DEL RÍO LA VIEJA, ALTO CAUCA, COLOMBIA. Revista de Investigaciones Universidad del Quindío, 31(1), 15-25.

Ulate K & Guevara M (2020). Curso de bioestadística. Probabilidades. Universidad Nacional de Costa Rica, Heredia

ANEXOS

#Distribuciones de frecuencia 

#Tabla y gráficos de frecuencia Abundancia  Moribaetis sp.
#Moribaetis sp
library(fdth)
## 
## Attaching package: 'fdth'
## The following objects are masked from 'package:stats':
## 
##     sd, var
tf.Moribaetis.abundancia <- fdt(x= BDEphemeroptera$N[1:480], start = 1, end = 45, h= 3, breaks = "Sturges")
tf.Moribaetis.abundancia
##  Class limits  f   rf rf(%)  cf  cf(%)
##         [1,4) 20 0.04  4.17  20   4.17
##         [4,7) 35 0.07  7.29  55  11.46
##        [7,10) 35 0.07  7.29  90  18.75
##       [10,13) 41 0.09  8.54 131  27.29
##       [13,16) 31 0.06  6.46 162  33.75
##       [16,19) 42 0.09  8.75 204  42.50
##       [19,22) 38 0.08  7.92 242  50.42
##       [22,25) 33 0.07  6.88 275  57.29
##       [25,28) 39 0.08  8.12 314  65.42
##       [28,31) 42 0.09  8.75 356  74.17
##       [31,34) 38 0.08  7.92 394  82.08
##       [34,37) 41 0.09  8.54 435  90.62
##       [37,40) 37 0.08  7.71 472  98.33
##       [40,43)  8 0.02  1.67 480 100.00
Moribaetis.abundancia <- c(BDEphemeroptera$N[1:480])

hist(Moribaetis.abundancia, xlab= "Abundancia",  ylab="Frecuencia", main="Frecuencias relativas para abundancia Moribaetis sp", col="skyblue", breaks = "Sturges")

plot(tf.Moribaetis.abundancia, xlab = "Intervalos de clase acumulados", ylab = "Frecuencia acumulada", main = "Frecuencias acumuladas para abundancia Moribaetis sp", col = "skyblue", type= "cfh")

sum(Moribaetis.abundancia) 
## [1] 10211
#Tablas y gráficos de frecuencia Abundancia para Beatodes sp. 
#Baetodes sp
tf.Baetodes.abundancia <- fdt (BDEphemeroptera$N[481:960], start = 1, end = 7, h= 1, breaks = "Sturges" )
tf.Baetodes.abundancia
##  Class limits   f   rf rf(%)  cf  cf(%)
##         [1,2)   0 0.00  0.00   0   0.00
##         [2,3) 117 0.24 24.38 117  24.38
##         [3,4)  93 0.19 19.38 210  43.75
##         [4,5)  91 0.19 18.96 301  62.71
##         [5,6)  77 0.16 16.04 378  78.75
##         [6,7) 102 0.21 21.25 480 100.00
Beatodes.abundancia <- c(BDEphemeroptera$N[481:960])
hist(Beatodes.abundancia, xlab= "Abundancia", ylab="Frecuencia", main="Frecuencias relativas para abundancia de Beatodes sp", col="skyblue", breaks = "Sturges")

plot(x=tf.Baetodes.abundancia, xlab = "Intervalos de clase acumulados", ylab = "Frecuencia acumulada", main = "Frecuencias acumuladas para abundancia Beatodes sp", col = "skyblue", type= "cfh")

sum(Beatodes.abundancia) 
## [1] 1874
#Tablas y gráficas de Sobrevivencia para Moribaetis sp  
# Moribaetis / sp1
library(fdth)

tf.Sobrevivenciasp1 <- fdt (x= Experimento$sobrevivencia[1:120], start = 1, end = 17, h= 2, breaks = "sturges")
tf.Sobrevivenciasp1
##  Class limits  f   rf rf(%)  cf cf(%)
##         [1,3)  2 0.02  1.67   2  1.67
##         [3,5)  3 0.03  2.50   5  4.17
##         [5,7) 13 0.11 10.83  18 15.00
##         [7,9) 18 0.15 15.00  36 30.00
##        [9,11) 20 0.17 16.67  56 46.67
##       [11,13) 13 0.11 10.83  69 57.50
##       [13,15) 18 0.15 15.00  87 72.50
##       [15,17) 18 0.15 15.00 105 87.50
Sobrevivenciasp1 <- c(Experimento$sobrevivencia[1:120])
hist(Sobrevivenciasp1, xlab= "Sobrevivencia", ylab="Frecuencia", main="Frecuencias relativas para sobrevivencia de Moribaestis sp", col="skyblue", breaks = "Sturges")

plot(x= tf.Sobrevivenciasp1, xlab = "Intervalos de clase acumulados", ylab = "Frecuencia acumulada", main = "Frecuencias acumuladas para sobrevivencia de Moribaetis sp", col = "skyblue", type= "cfh")

sum(Sobrevivenciasp1) 
## [1] 1361
#Tablas y gráficas de Sobrevivencia para Moribaetis sp 
# Guajirolus / sp4
tf.Sobrevivenciasp4 <- fdt (x= Experimento$sobrevivencia[361:480], start = 1, end = 24, h= 3, breaks = "Sturges")
tf.Sobrevivenciasp4
##  Class limits  f   rf rf(%)  cf  cf(%)
##         [1,4)  7 0.06  5.83   7   5.83
##         [4,7) 19 0.16 15.83  26  21.67
##        [7,10) 18 0.15 15.00  44  36.67
##       [10,13) 31 0.26 25.83  75  62.50
##       [13,16) 33 0.28 27.50 108  90.00
##       [16,19)  7 0.06  5.83 115  95.83
##       [19,22)  5 0.04  4.17 120 100.00
Sobrevivenciasp4 <- c(Experimento$sobrevivencia[361:480])
hist(Sobrevivenciasp4, xlab= "Sobrevivencia", ylab="Frecuencia", main="Frecuencias relativas para sobrevivencia Guajirolus sp", col="skyblue", breaks = "Sturges")

plot(x= tf.Sobrevivenciasp4,  xlab = "Intervalos de clase acumulados", ylab = "Frecuencia acumulada", main = "Frecuencias acumuladas para sobrevivencia Guajirolus sp", col = "skyblue", type= "cfh")

sum(Sobrevivenciasp4)
## [1] 1300
#Probabilidades binomiales 
#Planteamiento 1
1-pbinom (120, 849, 0.13)
## [1] 0.1507589
#Planteamiento 2
1-pbinom (111, 849, 0.13)
## [1] 0.4491845
#Planteamiento 3
pbinom (700, 1246, 0.49)- pbinom (619, 1246, 0.49) 
## [1] 0.3057673
#A
dbinom (630, 1246, 0.49)
## [1] 0.01230541
#B
1-pbinom (629, 1246, 0.49)
## [1] 0.141309
#Distribuciones normales 
#Creación de Vectores para cada especie y pruebas de normalidad.
#Sp1
LT_Moribaetis<- c(BDEphemeroptera$long_tot[1:480])
View(LT_Moribaetis)
hist(LT_Moribaetis, prob= TRUE, ylab= "Frecuencias", xlab = "Longitud total (mm)", main = "Longitudes para Moribaetis",  col= "skyblue")
lines (density(LT_Moribaetis))

sd(LT_Moribaetis)
## [1] 0.4926441
mean(LT_Moribaetis)
## [1] 12.91576
shapiro.test(LT_Moribaetis) # p= 0.85
## 
##  Shapiro-Wilk normality test
## 
## data:  LT_Moribaetis
## W = 0.99799, p-value = 0.8482
#Sp2
LT_Baetodes <- c(BDEphemeroptera$long_tot[481:960])
View(LT_Baetodes)
hist(LT_Baetodes, prob= TRUE, ylab= "Frecuencias", xlab = "Longitud total (mm)", main = "Longitudes para Baetodes",  col= "skyblue")
lines (density(LT_Baetodes))

sd(LT_Baetodes) 
## [1] 0.732853
mean(LT_Baetodes) 
## [1] 6.317172
shapiro.test(LT_Baetodes) # p= 0.40
## 
##  Shapiro-Wilk normality test
## 
## data:  LT_Baetodes
## W = 0.99657, p-value = 0.4003
#Sp3
LT_Fallceon <- c(BDEphemeroptera$long_tot[961:1440])
View(LT_Fallceon)
hist(LT_Fallceon, prob= TRUE, ylab= "Frecuencias", xlab = "Longitud total (mm)", main = "Longitudes para Fallceon",  col= "skyblue")
lines (density(LT_Fallceon))

sd(LT_Fallceon) 
## [1] 0.6615227
mean(LT_Fallceon) 
## [1] 8.238662
shapiro.test(LT_Fallceon) # p= 0.38
## 
##  Shapiro-Wilk normality test
## 
## data:  LT_Fallceon
## W = 0.99649, p-value = 0.3781
#Sp4
LT_Guajirolus <- c(BDEphemeroptera$long_tot[1441:1920])
View(LT_Guajirolus)
hist(LT_Guajirolus, prob= TRUE, ylab= "Frecuencias", xlab = "Longitud total (mm)", main = "Longitudes para Guajirolus",  col= "skyblue")
lines (density(LT_Guajirolus))

sd(LT_Guajirolus) 
## [1] 0.7169556
mean(LT_Guajirolus) 
## [1] 9.403594
shapiro.test(LT_Guajirolus) # p= 0.25
## 
##  Shapiro-Wilk normality test
## 
## data:  LT_Guajirolus
## W = 0.99595, p-value = 0.2575
library(TeachingDemos)
#Cálculos con la prueba de z.test
z.test (14, 12.92, 0.49, alternative = "greater") # p= 0.01
## 
##  One Sample z-test
## 
## data:  14
## z = 2.2041, n = 1.00, Std. Dev. = 0.49, Std. Dev. of the sample mean =
## 0.49, p-value = 0.01376
## alternative hypothesis: true mean is greater than 12.92
## 95 percent confidence interval:
##  13.19402      Inf
## sample estimates:
## mean of 14 
##         14
z.test (7.8, 6.32, 0.73, alternative = "greater") # p= 0.02
## 
##  One Sample z-test
## 
## data:  7.8
## z = 2.0274, n = 1.00, Std. Dev. = 0.73, Std. Dev. of the sample mean =
## 0.73, p-value = 0.02131
## alternative hypothesis: true mean is greater than 6.32
## 95 percent confidence interval:
##  6.599257      Inf
## sample estimates:
## mean of 7.8 
##         7.8
#Moribaetis
z.test (9.5, 12.92, 0.49) #z = -6.9796, p= 2.96e-12
## 
##  One Sample z-test
## 
## data:  9.5
## z = -6.9796, n = 1.00, Std. Dev. = 0.49, Std. Dev. of the sample mean =
## 0.49, p-value = 2.96e-12
## alternative hypothesis: true mean is not equal to 12.92
## 95 percent confidence interval:
##   8.539618 10.460382
## sample estimates:
## mean of 9.5 
##         9.5
z.test (13, 12.92, 0.49) #z = 0.16327, p= 0.8703
## 
##  One Sample z-test
## 
## data:  13
## z = 0.16327, n = 1.00, Std. Dev. = 0.49, Std. Dev. of the sample mean =
## 0.49, p-value = 0.8703
## alternative hypothesis: true mean is not equal to 12.92
## 95 percent confidence interval:
##  12.03962 13.96038
## sample estimates:
## mean of 13 
##         13
#Beatodes
z.test (8, 6.32, 0.73) #z = 2.3014, p= 0.02137
## 
##  One Sample z-test
## 
## data:  8
## z = 2.3014, n = 1.00, Std. Dev. = 0.73, Std. Dev. of the sample mean =
## 0.73, p-value = 0.02137
## alternative hypothesis: true mean is not equal to 6.32
## 95 percent confidence interval:
##  6.569226 9.430774
## sample estimates:
## mean of 8 
##         8
z.test (5, 6.32, 0.73) #z = -0.34848, p= 0.727
## 
##  One Sample z-test
## 
## data:  5
## z = -1.8082, n = 1.00, Std. Dev. = 0.73, Std. Dev. of the sample mean =
## 0.73, p-value = 0.07057
## alternative hypothesis: true mean is not equal to 6.32
## 95 percent confidence interval:
##  3.569226 6.430774
## sample estimates:
## mean of 5 
##         5
#Fallceon sp
z.test (8, 8.23, 0.66) #z = -0.34848, p= 0.7275
## 
##  One Sample z-test
## 
## data:  8
## z = -0.34848, n = 1.00, Std. Dev. = 0.66, Std. Dev. of the sample mean
## = 0.66, p-value = 0.7275
## alternative hypothesis: true mean is not equal to 8.23
## 95 percent confidence interval:
##  6.706424 9.293576
## sample estimates:
## mean of 8 
##         8
z.test (13, 8.23, 0.66) #z = 7.2273, p= 4.928e-13
## 
##  One Sample z-test
## 
## data:  13
## z = 7.2273, n = 1.00, Std. Dev. = 0.66, Std. Dev. of the sample mean =
## 0.66, p-value = 4.928e-13
## alternative hypothesis: true mean is not equal to 8.23
## 95 percent confidence interval:
##  11.70642 14.29358
## sample estimates:
## mean of 13 
##         13
z.test (9.5, 8.23, 0.66) #z = 1.9242, p= 0.05432
## 
##  One Sample z-test
## 
## data:  9.5
## z = 1.9242, n = 1.00, Std. Dev. = 0.66, Std. Dev. of the sample mean =
## 0.66, p-value = 0.05432
## alternative hypothesis: true mean is not equal to 8.23
## 95 percent confidence interval:
##   8.206424 10.793576
## sample estimates:
## mean of 9.5 
##         9.5
z.test (5, 8.23, 0.66,) #z = -4.8939, p= 9.884e-07
## 
##  One Sample z-test
## 
## data:  5
## z = -4.8939, n = 1.00, Std. Dev. = 0.66, Std. Dev. of the sample mean =
## 0.66, p-value = 9.884e-07
## alternative hypothesis: true mean is not equal to 8.23
## 95 percent confidence interval:
##  3.706424 6.293576
## sample estimates:
## mean of 5 
##         5
#Guajirolus sp
z.test (8, 9.40, 0.72) #z = -1.9444, p= 0.05184
## 
##  One Sample z-test
## 
## data:  8
## z = -1.9444, n = 1.00, Std. Dev. = 0.72, Std. Dev. of the sample mean =
## 0.72, p-value = 0.05184
## alternative hypothesis: true mean is not equal to 9.4
## 95 percent confidence interval:
##  6.588826 9.411174
## sample estimates:
## mean of 8 
##         8
z.test (13, 9.40, 0.72) #z = 5, p= 5.733e-07
## 
##  One Sample z-test
## 
## data:  13
## z = 5, n = 1.00, Std. Dev. = 0.72, Std. Dev. of the sample mean = 0.72,
## p-value = 5.733e-07
## alternative hypothesis: true mean is not equal to 9.4
## 95 percent confidence interval:
##  11.58883 14.41117
## sample estimates:
## mean of 13 
##         13
z.test (9.5, 9.40, 0.72) #z = 0.13889, p= 0.8895
## 
##  One Sample z-test
## 
## data:  9.5
## z = 0.13889, n = 1.00, Std. Dev. = 0.72, Std. Dev. of the sample mean =
## 0.72, p-value = 0.8895
## alternative hypothesis: true mean is not equal to 9.4
## 95 percent confidence interval:
##   8.088826 10.911174
## sample estimates:
## mean of 9.5 
##         9.5
z.test (5, 9.40, 0.72) #z = -6.1111, p= 9.894e-10
## 
##  One Sample z-test
## 
## data:  5
## z = -6.1111, n = 1.00, Std. Dev. = 0.72, Std. Dev. of the sample mean =
## 0.72, p-value = 9.894e-10
## alternative hypothesis: true mean is not equal to 9.4
## 95 percent confidence interval:
##  3.588826 6.411174
## sample estimates:
## mean of 5 
##         5
#CHI CUADRADO 1 N-sitio

NSitio1<- BDEphemeroptera$N[BDEphemeroptera$sitio== "sitio1" ]
NSitio2<- BDEphemeroptera$N[BDEphemeroptera$sitio== "sitio2" ]
NSitio3<- BDEphemeroptera$N[BDEphemeroptera$sitio== "sitio3" ]
NSitio4<- BDEphemeroptera$N[BDEphemeroptera$sitio== "sitio4" ]

meansNsitio<- c(mean(NSitio1),mean(NSitio2), mean(NSitio3), mean(NSitio4))
meansNsitio
## [1] 10.83750 10.68958 11.08958 10.99792
chisq.test(meansNsitio)
## 
##  Chi-squared test for given probabilities
## 
## data:  meansNsitio
## X-squared = 0.0085896, df = 3, p-value = 0.9998
qchisq(.95, 3)
## [1] 7.814728
#H0 valida

#CHI CUADRADO 2 nh4-sitio
nh4Sitio1<- BDEphemeroptera$nh4[BDEphemeroptera$sitio== "sitio1" ]
nh4Sitio2<- BDEphemeroptera$nh4[BDEphemeroptera$sitio== "sitio2" ]
nh4Sitio3<- BDEphemeroptera$nh4[BDEphemeroptera$sitio== "sitio3" ]
nh4Sitio4<- BDEphemeroptera$nh4[BDEphemeroptera$sitio== "sitio4" ]
meansnh4sitio<- c(mean(nh4Sitio1),mean(nh4Sitio2), mean(nh4Sitio3), mean(nh4Sitio4))
meansnh4sitio
## [1] 0.6465521 0.6185767 0.6124834 0.6208567
chisq.test(meansnh4sitio)
## 
##  Chi-squared test for given probabilities
## 
## data:  meansnh4sitio
## X-squared = 0.0010871, df = 3, p-value = 1
qchisq(.95, 3)
## [1] 7.814728
#H0 valida

#CHI CUADRADO 3 N-sp
Nsp1<- BDEphemeroptera$N[BDEphemeroptera$especie== "baetidae_sp1" ]
Nsp2<- BDEphemeroptera$N[BDEphemeroptera$especie== "baetidae_sp2" ]
Nsp3<- BDEphemeroptera$N[BDEphemeroptera$especie== "baetidae_sp3" ]
Nsp4<- BDEphemeroptera$N[BDEphemeroptera$especie== "baetidae_sp4"]
meansNsp<- c(mean(Nsp1),mean(Nsp2), mean(Nsp3), mean(Nsp4))
chisq.test(meansNsp)
## 
##  Chi-squared test for given probabilities
## 
## data:  meansNsp
## X-squared = 14.951, df = 3, p-value = 0.001859
qchisq(.95, 3)
## [1] 7.814728
#h0 no valida 

#CHI CUADRADO 4 po4-sitio
po4Sitio1<- BDEphemeroptera$po4[BDEphemeroptera$sitio== "sitio1" ]
po4Sitio2<- BDEphemeroptera$po4[BDEphemeroptera$sitio== "sitio2" ]
po4Sitio3<- BDEphemeroptera$po4[BDEphemeroptera$sitio== "sitio3" ]
po4Sitio4<- BDEphemeroptera$po4[BDEphemeroptera$sitio== "sitio4" ]

meanspo4sitio<- c(mean(po4Sitio1),mean(po4Sitio2), mean(po4Sitio3), mean(po4Sitio4))
meanspo4sitio
## [1] 0.8604533 0.8602885 0.8611810 0.8561683
chisq.test(meanspo4sitio)
## 
##  Chi-squared test for given probabilities
## 
## data:  meanspo4sitio
## X-squared = 1.7981e-05, df = 3, p-value = 1
qchisq(.95, 3)
## [1] 7.814728
#H0 valida
#CORRELACION

AbundanciaEphem <- BDEphemeroptera$N 
rm(BD_Ephemeroptera)

LongTotEphem <-BDEphemeroptera$long_tot

NH4Ephem <- BDEphemeroptera$nh4

shapiro.test(LongTotEphem)
## 
##  Shapiro-Wilk normality test
## 
## data:  LongTotEphem
## W = 0.93583, p-value < 2.2e-16
shapiro.test(AbundanciaEphem)
## 
##  Shapiro-Wilk normality test
## 
## data:  AbundanciaEphem
## W = 0.82165, p-value < 2.2e-16
shapiro.test(NH4Ephem)
## 
##  Shapiro-Wilk normality test
## 
## data:  NH4Ephem
## W = 0.94127, p-value < 2.2e-16
cor.test(AbundanciaEphem, NH4Ephem, method = "kendall")
## 
##  Kendall's rank correlation tau
## 
## data:  AbundanciaEphem and NH4Ephem
## z = -0.10022, p-value = 0.9202
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##          tau 
## -0.001566955
cor.test(LongTotEphem, NH4Ephem, method = "spearman")
## 
##  Spearman's rank correlation rho
## 
## data:  LongTotEphem and NH4Ephem
## S = 1090278002, p-value = 0.000893
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##        rho 
## 0.07575964
#SI HAY CORRELACION, ENTONCES SE AVANZA A REGRESION
plot(LongTotEphem, NH4Ephem, cex.main=.80, main =  "Relación entre niveles de Amonio(mg/L) y Longitud total de efemeropteros", xlab = "Longitud Total efemeropteros(mm)", ylab = "NH4 en agua(mg/L)")
regresionLONGAMON <- lm(LongTotEphem ~  NH4Ephem)
summary(regresionLONGAMON)
## 
## Call:
## lm(formula = LongTotEphem ~ NH4Ephem)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.0917 -1.9101 -0.4846  2.0632  5.0996 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   9.3407     0.1776  52.589   <2e-16 ***
## NH4Ephem     -0.1951     0.2694  -0.724    0.469    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.491 on 1918 degrees of freedom
## Multiple R-squared:  0.0002734,  Adjusted R-squared:  -0.0002478 
## F-statistic: 0.5246 on 1 and 1918 DF,  p-value: 0.469
#PREDICCION 1
#LONGITUD DE UN INDIVIDUO, SI EL NH4 ES DE 0.90
#Y= (-0.1951*0.90)+9.3407
LongPred1<- (-0.1951*0.90)+9.3407
LongPred1
## [1] 9.16511
#PREDICCION 2
#LONGITUD DE UN INDIVIDUO, SI EL NH4 ES DE 0.620464951
#Y= (-0.1951*0.620464951)+9.3407
LongPred2<- (-0.1951*0.620464951)+9.3407
LongPred2
## [1] 9.219647
#CONTROL DE SUPUESTOS
#Autocorrelacion de errores

library(lmtest)
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

dwtest(regresionLONGAMON)
## 
##  Durbin-Watson test
## 
## data:  regresionLONGAMON
## DW = 0.13988, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0
#SI HAY AUTOCORRELACION DE ERRORES


#NORMALIDAD DE RESIDUOS
shapiro.test(regresionLONGAMON$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  regresionLONGAMON$residuals
## W = 0.93372, p-value < 2.2e-16
#NO SIGUEN UNA DISTRIBUCION NORMAL

#HETEROSCEDASTICIDAD
library(car)
## Loading required package: carData
ncvTest(regresionLONGAMON)
## Non-constant Variance Score Test 
## Variance formula: ~ fitted.values 
## Chisquare = 125.7499, Df = 1, p = < 2.22e-16
#Correlacion PO4

#CORRELACION Abundancia PO4

PO4Ephem <- BDEphemeroptera$po4

shapiro.test(PO4Ephem)
## 
##  Shapiro-Wilk normality test
## 
## data:  PO4Ephem
## W = 0.98935, p-value = 1.092e-10
cor.test(AbundanciaEphem, PO4Ephem, method = "kendall")
## 
##  Kendall's rank correlation tau
## 
## data:  AbundanciaEphem and PO4Ephem
## z = 14.446, p-value < 2.2e-16
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##       tau 
## 0.2258727
#SI HAY CORRELACION, SIN EMBARGO, TAMBIEN ES DEBIL (22%)

#Correlacion Longitud Total PO4
cor.test(LongTotEphem, PO4Ephem, method = "spearman")
## 
##  Spearman's rank correlation rho
## 
## data:  LongTotEphem and PO4Ephem
## S = 675564774, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.4273165
#SI HAY CORRELACION, ENTONCES SE AVANZA A REGRESION

plot(LongTotEphem, PO4Ephem, cex.main=.80, main =  "Relación entre niveles de Ortofosfato(mg/L) y Longitud total de efemeropteros", xlab = "Longitud Total efemeropteros(mm)", ylab = "PO4 en agua(mg/L)")

regresionLONGPO4 <- lm(LongTotEphem ~  PO4Ephem)
summary(regresionLONGPO4)
## 
## Call:
## lm(formula = LongTotEphem ~ PO4Ephem)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.5277 -1.5102 -0.2522  1.4352  5.7730 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)   6.5154     0.1271   51.27   <2e-16 ***
## PO4Ephem      3.1453     0.1358   23.16   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.203 on 1918 degrees of freedom
## Multiple R-squared:  0.2186, Adjusted R-squared:  0.2182 
## F-statistic: 536.5 on 1 and 1918 DF,  p-value: < 2.2e-16
#PREDICCIÓN 1
#LONGITUD DE UN INDIVIDUO, SI EL PO4 ES DE 0.89
#Y= (3.1453*0.89)+6.5154
Longpo4Pred1<- (3.1453*0.58311 )+6.5154
Longpo4Pred1
## [1] 8.349456
#CONTROL DE SUPUESTOS
#Autocorrelacion de errores
dwtest(regresionLONGPO4)
## 
##  Durbin-Watson test
## 
## data:  regresionLONGPO4
## DW = 0.61249, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0
library(lmtest)

#SI HAY AUTOCORRELACION DE ERRORES


#NORMALIDAD DE RESIDUOS
shapiro.test(regresionLONGPO4$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  regresionLONGPO4$residuals
## W = 0.98777, p-value = 1.047e-11
#NO SIGUEN UNA DISTRIBUCION NORMAL

#HETEROSCEDASTICIDAD
library(car)
ncvTest(regresionLONGPO4)
## Non-constant Variance Score Test 
## Variance formula: ~ fitted.values 
## Chisquare = 2.561709, Df = 1, p = 0.10948
#correlacion longitud abundancia
shapiro.test(AbundanciaEphem)
## 
##  Shapiro-Wilk normality test
## 
## data:  AbundanciaEphem
## W = 0.82165, p-value < 2.2e-16
#CORRELACION LONGITUD TOTAL Y ABUNDANCIA
cor.test(LongTotEphem, AbundanciaEphem, method = "spearman")
## 
##  Spearman's rank correlation rho
## 
## data:  LongTotEphem and AbundanciaEphem
## S = 385294563, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
##       rho 
## 0.6733817
plot(LongTotEphem, AbundanciaEphem, cex.main=.80, main =  "Relación entre abundancia y Longitud total de efemeropteros", xlab = "Longitud Total efemeropteros(mm)", ylab = "Abundancia")

RegresionLongN<- lm(LongTotEphem ~AbundanciaEphem)

summary(RegresionLongN)
## 
## Call:
## lm(formula = LongTotEphem ~ AbundanciaEphem)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -3.7356 -1.3094 -0.2810  0.8832  6.6574 
## 
## Coefficients:
##                 Estimate Std. Error t value Pr(>|t|)    
## (Intercept)     7.083827   0.065013  108.96   <2e-16 ***
## AbundanciaEphem 0.195803   0.004633   42.26   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.793 on 1918 degrees of freedom
## Multiple R-squared:  0.4822, Adjusted R-squared:  0.4819 
## F-statistic:  1786 on 1 and 1918 DF,  p-value: < 2.2e-16
abline(RegresionLongN, col = "red", lwd=2)

#Y= 7.083827+(0.195803*X)

#Prediccion 1 Longitud si abundancia es 19

PrediccionLONGN1 <- 7.083827+(0.195803*19)
PrediccionLONGN1
## [1] 10.80408
PrediccionLONGN2 <- 7.083827+(0.195803*28)
PrediccionLONGN2
## [1] 12.56631
#CONTROL DE SUPUESTOS
#Autocorrelacion de errores
dwtest(RegresionLongN)
## 
##  Durbin-Watson test
## 
## data:  RegresionLongN
## DW = 1.1524, p-value < 2.2e-16
## alternative hypothesis: true autocorrelation is greater than 0
library(lmtest)

#SI HAY AUTOCORRELACION DE ERRORES


#NORMALIDAD DE RESIDUOS
shapiro.test(RegresionLongN$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  RegresionLongN$residuals
## W = 0.94072, p-value < 2.2e-16
#NO SIGUEN UNA DISTRIBUCION NORMAL

#HETEROSCEDASTICIDAD
library(car)
ncvTest(RegresionLongN)
## Non-constant Variance Score Test 
## Variance formula: ~ fitted.values 
## Chisquare = 49.32127, Df = 1, p = 2.1729e-12
#No homocedasticos
#HIPOTESIS


#¿existe una diferencia significativa en la abundancia de las especies entre el añ0 2017 y 2018?
#H0: no existe, son iguales
#H1: si existe son distintas


abundancia2017<-((BDEphemeroptera$N)[BDEphemeroptera$year==2017])

shapiro.test(abundancia2017) #p-value < 2.2e-16 DISTRIBUCIÓN NO NORMAL/ASIMÉTRICA
## 
##  Shapiro-Wilk normality test
## 
## data:  abundancia2017
## W = 0.82462, p-value < 2.2e-16
abundancia2018<-((BDEphemeroptera$N)[BDEphemeroptera$year==2018])

shapiro.test(abundancia2018) #p-value < 2.2e-16 DISTRIBUCIÓN NO NORMAL/ASIMÉTRICA
## 
##  Shapiro-Wilk normality test
## 
## data:  abundancia2018
## W = 0.81809, p-value < 2.2e-16
wilcox.test(abundancia2017, abundancia2018,alternative = "t",  conf.level= 0.95)
## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  abundancia2017 and abundancia2018
## W = 467828, p-value = 0.5621
## alternative hypothesis: true location shift is not equal to 0
#W = 467828, p-value = 0.5621 No hay diferencia significativa

#¿existe una diferencia significativa en la abundancia de las especies entre época seca y lluviosa?
#H0: no existe, son iguales
#H1: si existe son distintas


abundanciaseca<-((BDEphemeroptera$N)[BDEphemeroptera$epoca=="seca"])
shapiro.test(abundanciaseca) #p-value < 2.2e-16
## 
##  Shapiro-Wilk normality test
## 
## data:  abundanciaseca
## W = 0.82444, p-value < 2.2e-16
abundancialluviosa<-((BDEphemeroptera$N)[BDEphemeroptera$epoca=="lluviosa"])
shapiro.test(abundancialluviosa) #p-value < 2.2e-16
## 
##  Shapiro-Wilk normality test
## 
## data:  abundancialluviosa
## W = 0.81875, p-value < 2.2e-16
wilcox.test(abundanciaseca, abundancialluviosa,alternative = "t",  conf.level= 0.95)
## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  abundanciaseca and abundancialluviosa
## W = 474373, p-value = 0.2629
## alternative hypothesis: true location shift is not equal to 0
#W = 474373, p-value = 0.2629 no hay diferencias significativas
#ANOVAS EXPERIMENTO

anova1<-aov(Sobrevivencia~ Concentración)
summary(anova1)
##                Df Sum Sq Mean Sq F value Pr(>F)
## Concentración   2     25   12.54   0.604  0.547
## Residuals     477   9904   20.76
shapiro.test(anova1$residuals) #NO PARAMETRICO
## 
##  Shapiro-Wilk normality test
## 
## data:  anova1$residuals
## W = 0.98345, p-value = 2.775e-05
balanceado<-tapply(Sobrevivencia, Concentración, length)
balanceado
## conc1 conc2 conc3 
##   160   160   160
#Los datos estan balanceados

fligner.test(Sobrevivencia,Concentración)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Sobrevivencia and Concentración
## Fligner-Killeen:med chi-squared = 0.058064, df = 2, p-value = 0.9714
# HOMOCEDÁSTICO

ANDEVA<-kruskal.test(Sobrevivencia,Concentración) # p-value = 0.5955 no significativo
ANDEVA
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Sobrevivencia and Concentración
## Kruskal-Wallis chi-squared = 1.0368, df = 2, p-value = 0.5955
#Gráfico
datos<-data.frame(Sobrevivencia, Concentración)

library(ggplot2)

ggplot(datos,aes(Concentración, Sobrevivencia, colour = Concentración ))+geom_point() + geom_boxplot()

ESPECIE1<-BD_Ephemeroptera_buena$especie[BD_Ephemeroptera_buena$especie== "baetidae1"]
ESPECIE2<-BD_Ephemeroptera_buena$especie[BD_Ephemeroptera_buena$especie== "baetidae2"]
ESPECIE3<-BD_Ephemeroptera_buena$especie[BD_Ephemeroptera_buena$especie== "baetidae3"]
ESPECIE4<-BD_Ephemeroptera_buena$especie[BD_Ephemeroptera_buena$especie== "baetidae4"]

Especies<-c(ESPECIE1,ESPECIE2,ESPECIE3,ESPECIE4)

anova2<-aov(Sobrevivencia~ Especies)
anova2
## Call:
##    aov(formula = Sobrevivencia ~ Especies)
## 
## Terms:
##                 Especies Residuals
## Sum of Squares    30.273  9898.725
## Deg. of Freedom        3       476
## 
## Residual standard error: 4.560224
## Estimated effects may be unbalanced
#NORMALIDAD
shapiro.test(anova2$residuals) #NO PARAMETRICO
## 
##  Shapiro-Wilk normality test
## 
## data:  anova2$residuals
## W = 0.98431, p-value = 4.75e-05
balanceado<-tapply(Sobrevivencia,Especies, length)
balanceado
## baetidae1 baetidae2 baetidae3 baetidae4 
##       120       120       120       120
#Los datos estan balanceados

#HOMOCEDASTICIDAD
#fligner.test(Y,X)
fligner.test(Sobrevivencia,Especies)
## 
##  Fligner-Killeen test of homogeneity of variances
## 
## data:  Sobrevivencia and Especies
## Fligner-Killeen:med chi-squared = 1.0279, df = 3, p-value = 0.7945
# p-value = 0.7945 HOMOCEDASTICO

#ANDEVA
ANDEVA2<-kruskal.test(Sobrevivencia,Especies)
ANDEVA2
## 
##  Kruskal-Wallis rank sum test
## 
## data:  Sobrevivencia and Especies
## Kruskal-Wallis chi-squared = 1.3274, df = 3, p-value = 0.7226
#p-value = 0.7226 no significativo

#Gráfico

Especieysobrevivencia<-data.frame(Especies, Sobrevivencia)
ggplot(Especieysobrevivencia,aes(Especies, Sobrevivencia, colour = Especies ))+geom_point() + geom_boxplot()

#ANOVA

#ANOVA SP LONGTOT
SP<- BDEphemeroptera$especie
?boxplot
## starting httpd help server ... done
boxplot(BDEphemeroptera$long_tot~BDEphemeroptera$especie, xlab = "Especie", ylab= "Longitud total (mm)", cex.axis= .8)

tapply(LongTotEphem,SP, length)
## baetidae_sp1 baetidae_sp2 baetidae_sp3 baetidae_sp4 
##          480          480          480          480
ANOVA<- aov(LongTotEphem~SP)

summary(ANOVA)
##               Df Sum Sq Mean Sq F value Pr(>F)    
## SP             3  11079    3693    8532 <2e-16 ***
## Residuals   1916    829       0                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
shapiro.test(ANOVA$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  ANOVA$residuals
## W = 0.99885, p-value = 0.242
bartlett.test(LongTotEphem~SP)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  LongTotEphem by SP
## Bartlett's K-squared = 86.158, df = 3, p-value < 2.2e-16
TukeyHSD(ANOVA)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = LongTotEphem ~ SP)
## 
## $SP
##                                diff       lwr       upr p adj
## baetidae_sp2-baetidae_sp1 -6.598588 -6.707786 -6.489390     0
## baetidae_sp3-baetidae_sp1 -4.677098 -4.786296 -4.567900     0
## baetidae_sp4-baetidae_sp1 -3.512166 -3.621364 -3.402968     0
## baetidae_sp3-baetidae_sp2  1.921490  1.812292  2.030688     0
## baetidae_sp4-baetidae_sp2  3.086422  2.977224  3.195620     0
## baetidae_sp4-baetidae_sp3  1.164932  1.055734  1.274130     0
boxplot(BDEphemeroptera$N~BDEphemeroptera$especie)