Aula1

Tópico 1

Neste primeiro momento, estruturamos os dados do nosso experimento. Avaliamos um total de 8 parcelas (plantas), divididas igualmente em dois tratamentos: um grupo controle e um grupo submetido à aplicação de fungicida. A variável resposta analisada é a severidade da doença (em porcentagem).

Abaixo, criamos o banco de dados e geramos uma tabela formatada para conferência.

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.2.0     ✔ readr     2.2.0
✔ forcats   1.0.1     ✔ stringr   1.6.0
✔ ggplot2   4.0.2     ✔ tibble    3.3.1
✔ lubridate 1.9.5     ✔ tidyr     1.3.2
✔ purrr     1.2.1     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

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

##Visualização dos dados
A visualização gráfica é essencial para entender a distribuição dos dados antes da análise estatística. Criamos um gráfico de dispersão com os pontos observados (em azul). O losango preto representa a média de severidade de cada tratamento.

Visualmente, podemos notar uma redução drástica na severidade da doença no grupo tratado com fungicida.

library(ggplot2) 
ggplot(dados, aes(x = tratamento, y = severidade))+
  geom_jitter(color = "blue", size = 3) + 
  ylim(0, 50) +
  theme_classic(base_size = 14) +
  labs(x = "Tratamento", 
       y = "Sev (%)")+
  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")

Scale for y is already present.
Adding another scale for y, which will replace the existing scale.

Análise Estatística Para confirmar se a diferença observada no gráfico é estatisticamente significativa, aplicamos um Teste T de Student para duas amostras independentes. Assumimos que as variâncias entre os grupos são homogêneas (var.equal = TRUE).

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 

Como o p-valor resultante do teste é extremamente baixo (menor que 0.05), rejeitamos a hipótese nula. Conclui-se que há uma diferença estatisticamente significativa na severidade da doença entre as plantas do grupo controle e as do grupo tratado com fungicida.