Desenvolvedor R & Shiny
Crio aplicações em R e Shiny para pesquisa agronômica, laboratório e gestão institucional — da análise estatística de experimentos aos relatórios prontos para publicação.
Galeria
Cinco aplicações Shiny em produção, cada uma resolvendo um problema real de dados.
Gráficos elegantes para a pesquisa agronômica
Barras, linhas, interação, regressão e boxplot com fonte, cor e tamanho sob medida. Estatística embutida, painéis com múltiplos gráficos e exportação em TIFF, PNG, PDF, SVG e EPS prontos para artigos e apresentações.
Curva de calibração e R² na hora
Cole os pontos lidos no laboratório e veja a reta, a equação y = bx + a e o R² se atualizarem a cada edição. Feito para conferir rapidamente o ajuste de uma curva de análise.
Análise de variância de experimentos
ANOVA para DIC, DBC, esquema fatorial, parcelas subdivididas e subsubdivididas. Testes de médias (Tukey, Duncan, Scott-Knott e mais), desdobramento de interações e relatórios em PDF e HTML prontos para entrega.
Registro e acompanhamento de entregas institucionais
Autenticação por SIAPE, lançamento mensal em matriz, controle por ciclo anual, relatórios filtráveis e painel administrativo — com PostgreSQL e auditoria de ações.
Visualizador CIELAB / CIELCH
Organize, converta e compare amostras de cor por coordenadas CIELAB ou CIELCH, com agrupamento de repetições, diferença ΔE (CIEDE2000) e relatório em PDF com um clique.
Do campo aos dados
Todo estudante de agronomia passa por isso: monta o experimento, coleta os dados e chega na hora da análise de variância. É quase um rito de passagem — e também onde mais gente trava. Montar a tabela certa, escolher o teste de médias, ler o gráfico sem se perder. O R faz tudo isso de um jeito bonito, mas nem todo mundo tem tempo, paciência ou vontade de aprender a programar só pra chegar lá.
Minha formação em Administração, depois em Engenharia Agronômica e um doutorado em Fitotecnia foram colocando a estatística cada vez mais no meu caminho. Hoje atuo na Universidade Federal da Paraíba, em Areia — mas boa parte do que sei sobre análise de dados veio de fora de sala de aula: de mais de 90 pessoas que já ajudei a entender os próprios dados, em temas que vão de experimentos com melão e melancia a epidemiologia, enfermagem e química, passando por mais de meia dúzia de universidades públicas pelo Brasil.
Cada "como eu monto isso no R de novo?" repetido virou motivação pra transformar ajuda pontual em ferramenta permanente. Foi daí que nasceram o Plota, o Ranova, o Croma: pego o que o R sabe fazer de melhor e deixo numa tela que qualquer pessoa usa direto do navegador, sem instalar nada e sem escrever uma linha de código.
Na prática, isso vira pergunta concreta: uma dose de adubo aumenta a produtividade de verdade, ou é só ruído da parcela? Um produto realmente reduz a germinação de uma praga, ou a diferença não passa de acaso? Quais variáveis de qualidade do fruto andam juntas, e dá pra resumir uma dúzia delas em duas dimensões que fazem sentido? Acessos parecidos formam grupos naturais, ou cada um é um caso à parte?
Pra essas perguntas entram ANOVA com o teste de médias certo, regressão linear e não linear, regressão logística quando a resposta é sim ou não, componentes principais e análise de cluster quando são muitas variáveis de uma vez — sem falar nos testes não paramétricos, pra quando os pressupostos não seguram. Parte considerável sai pronta do Plota e do Ranova; o resto continua no meu fluxo de trabalho em R, disponível sob consultoria. Alguns exemplos ilustrativos (dados fictícios) do tipo de gráfico que cada análise produz:
Métodos que já apliquei
Áreas de atuação