Andamento do Curso

Acompanhe o andamento do Curso de Estatística com R para Experimentação Agrícola.

Aulas ministradas

Acompanhe o andamento das aulas minitradas no curso.

As aulas foram estruturadas de forma progressiva, para que cada etapa sirva de base para a seguinte.

Aulas ministradas no Curso de Estatística com R para Experimentação Agrícola.
Aula Descrição Data Horário de nício da aula Horário de fim da aula Número de horas Assunto
Aula 1 Primeiros passos no R e Rstudio. 03/set/2025 16:00 17:10 1.17 Instalação e atualização do R; Instalação e atualização do RStudio; Apresentação da interface do RStudio; Criação e salvamento do primeiro script; Definição do diretório de trabalho (working directory) (setwd(); getwd()).
Aula 2 Conhecendo o RStudio e os tipos de variáveis no R 04/set/2025 10:00 11:07 1.12 Conhecendo os principais painéis do RStudio (Console , Editor/Script; Environment/History; Files/Plots/Packages/Help/Viewer); Comparar a diferença entre escrever direto no Console e salvar no Script; Reconhecendo os tipos de variáveis no Excel (numéricas, contínuas, discretas, categóricas, texto, data etc.).
Aula 3 Discussão sobre tipos de variáveis e desenho de experimentos. 10/set/2025 16:00 17:20 1.33 Reconhecendo os tipos de variáveis no exerimento no Excel; Como organizar os dados no Excel; Entendo sobre variáveis dependentes e independentes; Entendendo sobre fatores e níveis de fatores; Discussão sobre desenho de experimento (simples e fatorial) e analises estatísticas (paramétrica, não-paramétrica, análise univariada, bivariada e multivariada).
Aula 4 Instalação e ativação de pacotes e importação de dados. 12/set/2025 15:30 18:00 2.50 Instalação e ativação de pacotes; Importação de dados do excel (.xlsx); Visualização da estrutura e resumo dos dados (str(), glimpse(), summary(), View); Limpesa e organização dos dados; Organização dos nomes das variáveis usando clean_names() do pacote janitor; Reconhecimento de tipos de variáveis; Conversão de variáveis character em factor usando as.factor().


Script do curso

Baixe o script do curso e treine a progrmação em utilizando o RStudio.

Curso: Curso de Estatística com R para Experimentação Agrícola
Autor: DSc. Marlenildo Ferreira Melo
Data: 03 de setembro de 2025

Baixar script_cursoder.R

Ver no GitHub

Mostrar/Ocultar script 
#' SCRIPT PARA ANÁLISE DE DADOS EXPERIMENTAIS EM R
#' 
#' Curso: [Curso de Estatística com R para Experimentação Agrícola]
#' Autor: [DSc. Marlenildo Ferreira Melo]
#' Data: [03 de setembro de 2025]
#' Versão do R: [R version 4.5.1 (2025-06-13 ucrt)]
#' Versão do RStudio: [2025.05.1 Build 513]
#' 
#' Objetivo: Análise de dados experimentais utilizando pacotes específicos em R
#' Descrição: Este script cobre desde a instalação e carregamento de pacotes,
#' importação e organização de dados, até a realização de análises estatísticas
#' como estatísticas descritivas e análise de variância (ANOVA).
#' Requisitos: R e RStudio instalados, pacotes necessários instalados


#' ============================================================================
# Aula 1. Introdução ao R e Rstudio----
#' ===========================================================================
#' Data: [03/set/2025]
#'
## 1.1 Primeiros passos----
#' Instalação e atualização do R;
#' Instalação e atualização do RStudio;
#' Apresentação da interface do RStudio;
#' Criação e salvamento do primeiro script;
#'
## 1.2. Diretório de trabalho----
#' Definição do diretório de trabalho (working directory) 
#' Defina o diretório de trabalho para o local onde seus arquivos estão armazenados.
#' Altere o caminho abaixo para o diretório desejado no seu computador.
#' Exemplo de caminho no Windows: ("C:/Users/SeuUsuario/Documentos/ProjetoR")
#' Use barras normais (/) ou duplas (\\) no Windows

setwd("C:/Users/marle/OneDrive/Documentos/Projetos R/site/logo_script")
setwd("C:\\Users\\marle\\OneDrive\\Documentos\\Projetos R\\site\\logo_script")
getwd() # Verifica o diretório de trabalho atual


#' ============================================================================
# Aula 2. Conhecendo o RStudio----
#' ============================================================================
#' Data: [04/set/2025]
#'
## 2.1 Conhecendo os paíneís do RStudio
#' Console , Editor/Script; Environment/History; Files/Plots/Packages/Help/Viewer);
#' Comparar a diferença entre escrever direto no Console e salvar no Script;
#'
## 2.2 Reconhecendo tipos de variáveis
#' Reconhecendo os tipos de variáveis no Excel:
#' numéricas (contínuas, discretas)
#' categóricas (nominal e ordinal, fatores)
#' texto livre
#' data
#' lógica (*boolean*) (VERDADEIRO/FALSO)


#' ============================================================================
# Aula 3. Instalando e carregando pacotes no R----
#' ============================================================================
#' Data: [10/set/2025]

## 3.1 Instalando pacotes----

### 3.1.1 Instalação individual de pacotes----
install.packages("tidyverse")   # Para manipulação e visualização de dados
install.packages("dplyr")       # Para manipulação e visualização de dados
install.packages("readxl")      # Para ler arquivos do Excel
install.packages("ExpDes.pt")   # Para planejamento e análise de experimentos agrícolas
install.packages("easyanova")   # Para facilitar análises de variância
install.packages("rstatix")     # Para estatísticas descritivas e testes inferenciais
install.packages("emmeans")     # Para estatísticas descritivas e testes inferenciais
install.packages("janitor")     # Para limpeza e organização de dados
install.packages("kableExtra")  # Para tabelas formatadas

### 3.1.2 Instalando pacotes de uma vez só----
install.packages(
  "tidyverse",
  "readxl",
  "ExpDes.pt",
  "easyanova",
  "rstatix",
  "emmeans",
  "janitor",
  "kableExtra"
)

## 3.2 Carregando pacotes----

#' Pacotes para manipulação e leitura de dados
library(tidyverse)   # Inclui dplyr, ggplot2, readr, tidyr, etc.
library(dplyr)       # Manipulação de dados
library(readxl)      # Para importar planilhas Excel
library(readr)       # Para importar arquivos de texto

#' Pacotes para análise de experimentos
library(ExpDes.pt)   # ANOVA para DIC, DBC, parcelas subdivididas etc.
library(easyanova)   # ANOVA e testes complementares de forma simplificada

#' Pacotes para estatística e pós-testes
library(rstatix)     # Testes estatísticos (normalidade, homogeneidade, etc.)
library(emmeans)     # Médias ajustadas e comparações múltiplas

#' Pacotes para organização e visualização de dados
library(janitor)     # Limpeza e organização de dados
library(kableExtra)  # Tabelas formatadas

## 3.3 Importando dados ara o R----

### 3.3.1 Importando dados de um arquivo Excel usando pacote readxl----
dados_ruins_dic <- read_excel("C:\\Users\\marle\\OneDrive\\Documentos\\Projetos R\\site\\files\\dados_ruins_dic.xlsx", sheet = "Planilha1")

### 3.3.2 Importando dados de um arquivo .txt (arquivo de texo bloco de notas) usando pacote readr----
dados_ruins_dic <- read_delim("C:\\Users\\marle\\OneDrive\\Documentos\\Projetos R\\site\\files\\dados_ruins_dic.txt", 
                              delim = "\t", escape_double = FALSE, 
                              trim_ws = TRUE)



dados_ruins_dic # Visualização rápida no console

View(dados_ruins_dic) # Visualização em uma aba separada
#' ============================================================================
# 5. Renomear colunas específicas----
#' ============================================================================

## 5.1 Usando pacote dplyr----
dados_organizados_dplyr <- dados_ruins_dic |>
  rename(
    tratamento = Tratamento,
    repeticao = `Repetição`,
    altura_planta_cm = `Altura da planta (cm)`,
    peso_fresco_g = `Peso fresco (g)`
  )

dados_organizados_dplyr

## 5.2 Usando pacote janitor----
#' formato "snake_case"

dados_organizados_janitor <- dados_ruins_dic |>
  janitor::clean_names()

dados_organizados_janitor


#' ============================================================================
# 6. Visualizando os dados----
#' ============================================================================

## 6.1 Visualização dos dados originais----

dados_organizados_janitor # Visualização rápida no console
View(dados_organizados_janitor) # Visualização em uma aba separada (Atalho F2)
head(dados_organizados_janitor) # Primeiras linhas dos dados
tail(dados_organizados_janitor) # Últimas linhas dos dados
names(dados_organizados_janitor) # Nomes das colunas

## 6.2 Visualização da estrutura dos dados e resumo estatístico----

str(dados_organizados_janitor) # Estrutura dos dados
glimpse(dados_organizados_janitor) # Visão geral dos dados (dplyr)
summary(dados_organizados_janitor) # Resumo estatístico dos dados

  
#' ============================================================================
# 7. Convertendo variáveis em fatores----
#' ===========================================================================
  
## 7.1 Usando a função `as.factor()`----
  
dados_organizados_janitor$tratamento <- as.factor(dados_organizados_janitor$tratamento)
dados_organizados_janitor$repeticao <- as.factor(dados_organizados_janitor$repeticao)
  
  
str(dados_organizados_janitor) # Estrutura dos dados
glimpse(dados_organizados_janitor) # Visão geral dos dados (dplyr)
summary(dados_organizados_janitor) # Resumo estatístico dos dados
  
##' 7.2 Usando a função `convert_as_factor` do pacote rstatix----
  
dados_organizados_janitor <- dados_organizados_janitor |>
  convert_as_factor(tratamento, repeticao)
  
  
str(dados_organizados_janitor) # Estrutura dos dados
glimpse(dados_organizados_janitor) # Visão geral dos dados (dplyr)
summary(dados_organizados_janitor) # Resumo estatístico dos dados


#' ============================================================================
# 8. Conhecendo os tipos de variáveis no R----
#' ============================================================================

#' Exemplo de banco de dados com todos os tipos de variáveis
#'   em experimentação agrícola (Delineamento em Blocos Casualizados)
dados_tipos <- read_excel("dados_tipos.xlsx", sheet = "Planilha1")

  
# Conferindo estrutura e resumo do banco
str(dados_tipos)          # Estrutura das variáveis
glimpse(dados_tipos)      # Visão geral das variáveis com dplyr
summary(dados_tipos)      # Resumo estatístico dos dados
  
  
# Renomeando colunas para facilitar o manuseio  
dados_tipos_organizado <- dados_tipos |>
    janitor::clean_names()

# Visualizando parte do banco
head(dados_tipos_organizado) |> view()


#' EXPLICAÇÃO DOS TIPOS DE VARIÁVEIS

#' 1) bloco -> Variável numérica inteira (discreta)
#' Representa os blocos do experimento (repetições). É usada para controlar
#' a variabilidade do campo. No R, aparece como "numeric" (ou "integer").

#' 2) tipo_adubo -> Variável de texto (character), pode ser transformada em fator
#' Representa a descrição do tratamento aplicado.
#' Exemplo: "Testemunha", "Adubo verde".

#' 3) tratamento -> Variável categórica nominal (factor)
#' É o identificador do tratamento (T1, T2, ...).
#' Não tem ordem lógica, apenas categorias distintas.

#' 4) data_coleta -> Variável do tipo Date
#' Representa a data em que os dados foram coletados.

#' 5) nota_vigor -> Variável ordinal
#' Escala de 1 a 5 indicando o vigor da planta.
#' Existe uma ordem (1 < 2 < 3 < 4 < 5).

#' 6) numero_folhas -> Variável numérica inteira (discreta)
#' Conta o número de folhas da planta.
#' Só assume valores inteiros (5, 6, 7...).

#' 7) altura_cm -> Variável numérica contínua
#' Medida da altura em centímetros.
#' Pode assumir qualquer valor real dentro de um intervalo.

#' 8) sobreviveu -> Variável lógica (boolean)
#' Indica se a planta sobreviveu (TRUE) ou morreu (FALSE).

#' 9) observacao -> Variável categórica nominal
#' Anotações pré-definidas sobre a planta: "Normal", "Doença", "Atraso".
#' Não existe ordem entre as categorias.

#' 10) comentario_livre -> Variável de texto livre (character)
#' Comentários mais detalhados feitos pelo avaliador.
#' Exemplo: "Necessita irrigação extra", "Presença de pragas".

#' ============================================================================
# 9. Convertendo variáveis em fatores no banco 'dados_tipos' ----
#' ============================================================================

# Carregando pacote necessário
library(rstatix)
library(dplyr)

## 9.1 Usando a função `as.factor()` ----

# Convertendo variáveis categóricas para fator
dados_tipos_organizado$tipo_de_adubo <- as.factor(dados_tipos_organizado$tipo_de_adubo)
dados_tipos_organizado$tratamento <- as.factor(dados_tipos_organizado$tratamento)
dados_tipos_organizado$observacao <- as.factor(dados_tipos_organizado$observacao)
dados_tipos_organizado$bloco <- as.factor(dados_tipos_organizado$bloco) # opcional: bloco também como fator

# Conferindo estrutura e resumo do banco
str(dados_tipos_organizado)          # Estrutura das variáveis
glimpse(dados_tipos_organizado)      # Visão geral das variáveis com dplyr
summary(dados_tipos_organizado)      # Resumo estatístico dos dados

#' Estrutura geral do banco
dados_tipos_organizado |> view() # com v minúsculo - Visualização em uma aba separada (Atalho F2)
dados_tipos_organizado |> View() # com v maiúsculo - Visualização em uma aba separada (Atalho F2)
dados_tipos_organizado |>  str() # Estrutura das variáveis
dados_tipos_organizado |> glimpse() # Visão geral dos dados (dplyr)
dados_tipos_organizado |> summary() # Resumo estatístico dos dados



## 9.2 Usando a função `convert_as_factor()` do pacote rstatix ----

# Conversão das variáveis categóricas para fatores de forma mais prática
dados_tipos <- dados_tipos %>%
  convert_as_factor(tipo_adubo, tratamento, observacao, bloco)

# Conferindo novamente
str(dados_tipos)          # Estrutura das variáveis
glimpse(dados_tipos)      # Visão geral com dplyr
summary(dados_tipos)      # Resumo estatístico


#' ============================================================================
# 10. Estatísticas descritivas----
#' ===========================================================================

## 10.1 Estatísticas descritivas gerais usando pacote dplyr----

#' Média geral
dados_organizados_janitor |>
  summarise(
    n = n(),  # Contagem total de observações
    media_altura = mean(altura_da_planta_cm, na.rm = TRUE),  # Média da altura
    sd_altura = sd(altura_da_planta_cm, na.rm = TRUE),      # Desvio padrão da altura
    media_peso = mean(peso_fresco_g, na.rm = TRUE),      # Média do peso fresco
    sd_peso = sd(peso_fresco_g, na.rm = TRUE)           # Desvio padrão do peso fresco
  )

#' Média por tratamento
dados_organizados_janitor |>
  group_by(tratamento) |>  # Agrupa por tratamento
  summarise(
    n = n(),  # Contagem total de observações
    media_altura = mean(altura_da_planta_cm, na.rm = TRUE),  # Média da altura
    sd_altura = sd(altura_da_planta_cm, na.rm = TRUE),      # Desvio padrão da altura
    media_peso = mean(peso_fresco_g, na.rm = TRUE),      # Média do peso fresco
    sd_peso = sd(peso_fresco_g, na.rm = TRUE)           # Desvio padrão do peso fresco
  )

## 10.2 Estatísticas descritivas usando pacote rstatix----

#' Estatísticas descritivas gerais *média e desvio-padrão*
dados_organizados_janitor |>
  rstatix::get_summary_stats(altura_da_planta_cm, peso_fresco_g, type = "mean_sd")

#' Estatísticas descritivas por tratamento *média e desvio-padrão*
dados_organizados_janitor |>
  group_by(tratamento) |>  # Agrupa por tratamento
  rstatix::get_summary_stats(altura_da_planta_cm, peso_fresco_g, type = "mean_sd")

#' Estatísticas descritivas por tratamento *média e erro-padrão*
dados_organizados_janitor |>
  group_by(tratamento) |>  # Agrupa por tratamento
  rstatix::get_summary_stats(altura_da_planta_cm, peso_fresco_g, type = "mean_se")

#' Estatísticas descritivas completas por tratamento
dados_organizados_janitor |>
  group_by(tratamento) |>  # Agrupa por tratamento
  rstatix::get_summary_stats(altura_da_planta_cm, peso_fresco_g)




#' ============================================================================
# 11. Análise de variância (ANOVA)----
#' ===========================================================================

## 11.1 Usando a função `aov()`----
modelo <- aov(altura_da_planta_cm  ~ tratamento, data = dados_organizados_janitor)
summary(modelo)

## 11.2 Usando a função `anova_test` do pacote rstatix----
dados_organizados_janitor |> anova_test(altura_da_planta_cm ~ tratamento) 


## 11.3 Usando a função `dic()` do pacote ExpDes.pt----

dic(
  trat = dados_organizados_janitor$tratamento,
  resp = dados_organizados_janitor$altura_da_planta_cm,
  quali = TRUE,
  mcomp = "tukey"
)

## 11.4 Usando a função `ea1` do pacote easyanova----
easyanova::ea1(dados_organizados_janitor[-2], design = 1, plot = 2, list = TRUE)

## 11.5 Usando o pacote easyanova (ANOVA)----


## 11.6 Usando o pacote ExpDes.pt (DIC)----

#' ANOVA para DIC
#' O pacote ExpDes.pt é específico para experimentos agrícolas
#' e facilita a análise de delineamentos experimentais comuns.
#' Ele é especialmente útil para análises de variância (ANOVA)
#' em delineamentos inteiramente casualizados (DIC),
#' delineamentos em blocos casualizados (DBC),
#' parcelas subdivididas, entre outros.
#' Ele também oferece funções para realizar testes complementares,
#' como o teste de Tukey, e para gerar gráficos básicos.
#' #' A função `dic()` do pacote ExpDes.pt é usada para realizar a análise de variância (ANOVA)
#' em um delineamento inteiramente casualizado (DIC).
#' Ela calcula a ANOVA para uma variável resposta em função de um fator de tratamento,
#' considerando as repetições do experimento.
#' #' A função também pode realizar testes complementares, como o teste de Tukey,
#' para comparar as médias dos tratamentos.
#' #' A sintaxe básica da função `dic()` é a seguinte:
#' #' ```R
#' dic(response, treatment, block = NULL, quali = NULL, mcomp = "tukey", sigT = 0.05, sigF = 0.05, group = TRUE, console = TRUE)
#' 
#' 





#'  ============================================================================
#'  Fim do Script
#'  ============================================================================


Bancos de dados

Baixe os bancos de dados utilizados no curso.

Banco de dados 1

Banco de dados contendo diferentes tipos de variáveis para aprender a identificá-las e analisá-las no R (categórica/fator, numérica, contínua, discreta, etc.).

Baixar dados1_tipos_de_variaveis.xlsx

Visualizar/Ocultar dados
Banco de dados 1: Reconhecendo tipos de variáveis (numéricas, categóricas, fatores, etc.) no Excel.
Bloco Tipo de adubo Tratamento Data de coleta Nota de vigor de planta Número de folhas Altura de planta (cm) A planta sobreviveu? Observação Comentário livre
1 Testemunha T1 2025-03-01 3 11 140.6 FALSE Atraso Presença de pragas
1 Adubo químico 50 kg N T2 2025-03-08 3 6 124.7 TRUE Doença Folhas amareladas
1 Adubo químico 100 kg N T3 2025-03-15 2 5 162.6 FALSE Atraso Presença de pragas
1 Adubo orgânico T4 2025-03-22 2 10 152.3 FALSE Normal Presença de pragas
1 Adubo verde T5 2025-03-29 3 7 132.9 TRUE Doença Presença de pragas
2 Testemunha T1 2025-04-05 5 8 168.8 FALSE Doença Bom desenvolvimento
2 Adubo químico 50 kg N T2 2025-04-12 4 10 156.4 FALSE Atraso Folhas amareladas
2 Adubo químico 100 kg N T3 2025-04-19 1 5 145.6 TRUE Doença Folhas amareladas
2 Adubo orgânico T4 2025-04-26 2 7 163.4 TRUE Normal Presença de pragas
2 Adubo verde T5 2025-05-03 3 11 163.2 FALSE Atraso Necessita irrigação extra
3 Testemunha T1 2025-05-10 5 9 162.3 TRUE Atraso Presença de pragas
3 Adubo químico 50 kg N T2 2025-05-17 3 8 160.3 TRUE Atraso Presença de pragas
3 Adubo químico 100 kg N T3 2025-05-24 3 11 158.3 TRUE Doença Presença de pragas
3 Adubo orgânico T4 2025-05-31 1 12 149.1 FALSE Doença Bom desenvolvimento
3 Adubo verde T5 2025-06-07 4 6 145.4 FALSE Atraso Folhas amareladas
4 Testemunha T1 2025-06-14 1 9 144.3 TRUE Normal Presença de pragas
4 Adubo químico 50 kg N T2 2025-06-21 1 11 139.6 FALSE Normal Bom desenvolvimento
4 Adubo químico 100 kg N T3 2025-06-28 5 5 146.9 FALSE Atraso Presença de pragas
4 Adubo orgânico T4 2025-07-05 3 5 131.0 TRUE Doença Bom desenvolvimento
4 Adubo verde T5 2025-07-12 2 6 182.5 TRUE Doença Folhas amareladas



Faça as atividades propostas

Desafios e exercícios à frente!

Desenvolva as atividades a seguir e fortaleça suas habilidades em R.

Atividade 1

Nesta atividade você deverá buscar um banco de dados, exportar para o Excel e, dentro do Excel, identificar os tipos de variáveis.

  1. Procure e selecione um banco de dados (de sites abertos ou de outra fonte confiável).
  2. Exporte o banco de dados para o Excel (formato .xlsx).
  3. Abra o banco no Excel.
  4. Analise cada coluna e classifique o tipo de variável:
    • Numérica (valores inteiros ou decimais)
    • Texto / Caractere (nomes, palavras, descrições)
    • Lógica (valores Verdadeiro/Falso ou Sim/Não)
    • Categórica / Fator (classes ou categorias, como tratamentos, cidades, espécies etc.)
  5. Crie uma tabela resumo no Excel com as seguintes colunas:
    • Nome da variável
    • Tipo identificado
    • Justificativa (por que é desse tipo)

👉 Essa atividade vai treinar a percepção dos diferentes tipos de variáveis e a organização de informações em planilhas.