MPV CLIENTE | Projeto - Ensaio de Eficácia de Fungicida em Soja

MPV Cliente
R
estatistica
GLMM
experimentacao_agricola
Quarto
renv
Git
Github
Docker
reproducibilidade
Análise estatística reprodutível com simulação de dados, limpeza, EDA, GLMM, relatório em Quarto e ambiente controlado com Docker e renv.
Author

Jennifer Luz Lopes

Published

January 1, 2026

Ensaio de eficácia de fungicida em soja

Análise estatística reprodutível com GLMM, Quarto, Docker e renv

Este projeto apresenta um pipeline completo de análise estatística para um ensaio de campo simulado de eficácia de fungicida na cultura da soja. A proposta integra experimentação agrícola, modelagem estatística, programação em R e reprodutibilidade computacional, com entrega final em relatório técnico em Quarto.

O material foi estruturado como um MVP de mentoria individual, com foco em preparar o aluno para sessões práticas a partir de um fluxo organizado, documentado e replicável.

Objetivos:

  • estruturar um pipeline analítico claro, do dado bruto ao relatório final;
  • demonstrar o uso de modelos mistos para dados hierárquicos e medidas repetidas;
  • aplicar boas práticas de reprodutibilidade com scripts modulares, renv e Docker;
  • comunicar resultados técnicos em um relatório navegável e reutilizável em Quarto.

Repositório no GitHub

Acesse o projeto no GitHub aqui.

Relatório

O projeto inclui um relatório técnico em Quarto com interpretação metodológica, resultados, visualizações, dicionário de conceitos e referências bibliográficas.

Acesse o relatório publicado no link.

Sobre o projeto

Este projeto foi desenvolvido para demonstrar, de forma integrada, quatro frentes centrais:

  1. Modelagem estatística: ajuste de GLMM com distribuição beta para severidade da doença e LMM gaussiano para produtividade, incluindo comparação de modelos por AIC, diagnóstico de resíduos e comparações múltiplas.

  2. Conceitos estatísticos: efeitos fixos e aleatórios, distribuição beta, AIC, delta-AIC, médias marginais estimadas, correção de Tukey e componentes de variância, apresentados em linguagem técnica, mas acessível.

  3. Experimentação agrícola: delineamento em blocos casualizados completos, medições repetidas no tempo, covariáveis ambientais e estrutura hierárquica típica de ensaios de campo.

  4. Programação em R: scripts modulares, ambiente versionado com renv, relatório em Quarto e execução do pipeline com ou sem container.

O relatório gerado serve como material de apoio para consulta dos conceitos, acompanhamento do raciocínio analítico e reprodução das etapas do projeto antes e após a mentoria.

Após esta etapa com dados simulados, o mesmo raciocínio analítico foi levado para os dados do aluno, respeitando as particularidades do contexto real.

Contexto agronômico

A ferrugem asiática da soja (Phakopsora pachyrhizi) está entre as doenças de maior impacto econômico para a cultura no Brasil. Neste projeto, o ensaio considera quatro tratamentos, sendo um controle e três doses de fungicida, em delineamento em blocos casualizados completos (RCBD), com avaliações em três momentos após a aplicação e condução em três localidades.

Os dados foram simulados para reproduzir a estrutura e a variabilidade esperadas em um ensaio real de registro de defensivo agrícola, permitindo verificar se o modelo ajustado recupera os padrões definidos na simulação.

Estrutura do repositório

ensaio_fungicida_soja/
├── Dockerfile
├── README.md
├── renv.lock
├── .Rprofile
├── rodar_pipeline.R
├── R/
│   ├── 01_simular_dados.R
│   ├── 02_limpar_dados.R
│   ├── 03_eda.R
│   ├── 04_analise_glmm.R
│   └── 05_configurar_renv.R
├── report/
│   ├── relatorio.qmd
│   ├── referencias.bib
│   └── estilo.css
├── data/
│   ├── raw/
│   └── processed/
└── output/
    ├── figuras/
    ├── tabelas/
    └── modelos/

Variáveis simuladas

Variável Descrição
tratamento Controle, dose baixa, dose média, dose alta
bloco 6 blocos, modelados como efeito aleatório
local 3 localidades, modeladas como efeito aleatório
tempo_dias 30, 60 e 90 dias após aplicação
umidade_rel Umidade relativa do ar (%)
temp_media Temperatura média diária (graus C)
severidade Percentual de área foliar afetada (0 a 100)
produtividade Produção de grãos (kg/ha)

Etapas analíticas

O pipeline inclui:

  • simulação dos dados com estrutura compatível com ensaio de campo;
  • limpeza e preparação das bases;
  • análise exploratória das distribuições e relações entre variáveis;
  • ajuste de GLMM para severidade;
  • ajuste de LMM para produtividade;
  • diagnóstico de resíduos por simulação;
  • seleção de modelo por AIC e delta-AIC;
  • estimação de médias marginais e comparações múltiplas com Tukey;
  • consolidação dos resultados em relatório técnico.

Decisões metodológicas

Por que GLMM e não ANOVA?

A variável de severidade é uma proporção assimétrica, as observações são repetidas no tempo e há uma estrutura hierárquica com blocos e localidades. Uma ANOVA tradicional não acomoda adequadamente essas três características ao mesmo tempo.

Por que distribuição beta?

A distribuição beta é adequada para modelar proporções no intervalo (0, 1) e evita o uso de transformações clássicas, como arco-seno, que tendem a gerar interpretações menos diretas e distorções nos extremos da distribuição.

Por que bloco e localidade como efeitos aleatórios?

Blocos e localidades representam uma amostra de condições possíveis de avaliação. Ao modelá-los como aleatórios, a inferência deixa de ficar restrita apenas aos níveis observados e ganha capacidade de generalização.

Pacotes principais

Pacote Função
glmmTMB Ajuste de GLMM com distribuição beta e gaussiana
DHARMa Diagnóstico de resíduos por simulação
emmeans Médias marginais e contrastes
ggplot2 Visualizações
gt / DT Tabelas no relatório
quarto Geração do relatório técnico
renv Gerenciamento de versões dos pacotes

Requisitos para execução

Para rodar este projeto, é recomendável ter:

  1. R instalado e funcionando no ambiente local.
  2. Dependências restauradas com renv.
  3. Quarto instalado para renderização do relatório.
  4. Docker, caso a execução seja feita por container.

Execução

Com Docker

docker build -t ensaio-fungicida .
docker run --rm -v $(pwd)/output:/project/output ensaio-fungicida

O relatório HTML será gerado em output/relatorio.html.

Sem Docker

Restaure o ambiente e execute os scripts em ordem:

renv::restore()

source("R/01_simular_dados.R")
source("R/02_limpar_dados.R")
source("R/03_eda.R")
source("R/04_analise_glmm.R")

quarto::quarto_render("report/relatorio.qmd")

Ou rode o pipeline completo de uma vez:

source("rodar_pipeline.R")

Configuração do renv

O script R/05_configurar_renv.R reúne as instruções para inicializar, registrar e restaurar o ambiente do projeto com renv.

Diferenciais do projeto

Este projeto se destaca por combinar, no mesmo fluxo:

  • estrutura experimental coerente com ensaios agronômicos;
  • modelagem estatística compatível com a natureza dos dados;
  • organização reprodutível dos scripts;
  • documentação técnica pronta para estudo, ensino e portfólio.

Autora

Jennifer Luz Lopes