Aula 1 - Relatório de Experimentação: Severidade de Doenças

1. Introdução à Experimentação

Nesta aula, exploramos os conceitos fundamentais de experimentação agrícola. O foco inicial foi entender como organizar dados brutos de um ensaio de eficácia de produtos fitossanitários.

A primeira operação realizada foi uma soma simples para testar o ambiente:

a <- 2
b <- 2
a + b

[1] 4

2. Materiais e Métodos

O experimento consistiu em avaliar a severidade de uma doença em 8 plantas, divididas em dois grupos:

Controle: Plantas sem tratamento.
Fungicida: Plantas tratadas com o produto teste.

Estruturação dos Dados no R

Utilizamos o objeto data.frame para tabular as observações de cada planta.

library(tidyverse)

dados <- data.frame(
  planta = seq(1:8),
  tratamento = c("controle", "controle", "controle", "controle", 
                 "fungicida", "fungicida", "fungicida", "fungicida"),
  severidade = c(42, 38, 45, 40, 12, 18, 15, 10)
)

knitr::kable(dados) # Gera uma tabela formatada no documento

planta	tratamento	severidade
1	controle	42
2	controle	38
3	controle	45
4	controle	40
5	fungicida	12
6	fungicida	18
7	fungicida	15
8	fungicida	10

3. Visualização dos Dados

A visualização é a etapa crítica para entender a dispersão dos dados. Utilizamos o pacote ggplot2 com as seguintes camadas:

geom_jitter: Para observar cada repetição individualmente sem sobreposição total.
stat_summary: Para destacar a média aritmética de cada tratamento.
scale_y_continuous: Para padronizar a escala de 0 a 50%.

ggplot(dados, aes(x = tratamento, y = severidade, color = tratamento)) +
  geom_jitter(width = 0.1, size = 3, alpha = 0.6) +
  stat_summary(fun = "mean", geom = "point", shape = 18, size = 5, color = "black") +
  scale_y_continuous(limits = c(0, 50), breaks = seq(0, 50, by = 5)) +
  theme_classic(base_size = 14) +
  labs(
    x = "Tratamento",
    y = "Severidade (%)",
    title = "Comparação Visual de Severidade"
  ) +
  theme(legend.position = "none")

Distribuição da severidade da doença entre os tratamentos.

4. Análise Estatística

Para confirmar se a redução observada no grupo “fungicida” é estatisticamente diferente do “controle”, aplicamos o Teste t de Student para amostras independentes.

# Teste t considerando variâncias iguais
resultado <- t.test(severidade ~ tratamento, data = dados, var.equal = TRUE)

resultado


    Two Sample t-test

data:  severidade by tratamento
t = 11.955, df = 6, p-value = 2.076e-05
alternative hypothesis: true difference in means between group controle and group fungicida is not equal to 0
95 percent confidence interval:
 21.87122 33.12878
sample estimates:
 mean in group controle mean in group fungicida 
                  41.25                   13.75

Interpretação dos Resultados

Com base no p-valor obtido (2^{-5}), podemos concluir se existe ou não evidência estatística para rejeitar a hipótese de que as médias são iguais. Como o valor é significativamente menor que 0.05, o fungicida demonstrou eficácia.

Documento gerado automaticamente para fins acadêmicos.


### O que este arquivo Quarto faz por você:
1.  **YAML (Cabeçalho):** Define título, autor e o formato de saída (HTML com sumário).
2.  **Code Chunks (`{r}`):** Separa o código do texto explicativo.
3.  **Inline Code:** No final do texto, eu usei uma técnica avançada de Quarto (o uso de crases com `r`) para que ele escreva o valor exato do p-valor diretamente no meio da frase.
4.  **Tabelas:** O comando `knitr::kable` deixa a visualização dos dados muito mais profissional do que um simples `print`.