##=================================================================================

# Estatística Experimental

# Prof. Paulo César de Resende Andrade

# ICT - UFVJM

##=================================================================================

# **********************************************************************************

# Teste I - Parte 2

# **********************************************************************************

# **********************************************************************************

# Exercício 1

#----RESPONDENDO A LETRA A#*****************************************

O Modelo para esse experimento segue a seguinte formula: Como i=4 e j=4, o modelo matemático que
descreve o experimento é: y44= µ + t4 + e44. E as hipóteses que garantem a validade do sistema
são: Independência dos erros ou Teste de Durbin-Watson, Normalidade, Homogeneidade de
Variâncias e Aditividade.

##----------------------------------------------------------------------------------

# entrando com os dados

dados <- read.table("C:/Experimental/test2.txt",

header=TRUE)

dados

> dados

mist resis

1 A 3129

2 A 3000

3 A 2865

4 A 2890
5 B 3200

6 B 3300

7 B 2975

8 B 3150

9 C 2800

10 C 2900

11 C 2985

12 C 3050

13 D 2600

14 D 2700

15 D 2600

16 D 2765

attach(dados)

> attach(dados)

The following objects are masked from dados (pos = 5):

mist, resis

# designar trat como fator

dados$mist <- as.factor(dados$mist)

##----------------------------------------------------------------------------------

# calcula as médias de cada tratamento

tapply(resis, mist, mean)

> tapply(resis, mist, mean)

A B C D

2971.00 3156.25 2933.75 2666.25

# calcula as variâncias de cada tratamento

tapply(resis, mist, var)

A B C D

14534.00 18489.58 11722.92 6556.25

# gráficos exploratórios

par(mfrow = c(1,2))

plot.design(dados,xlab="fatores",

ylab="medias de resis",ylim=c(5,25))

plot.design(dados, fun = median,xlab="fatores",

ylab="medianas de resis",ylim=c(5,25))

par(mfrow = c(1,1))

plot(resis~mist,data=dados)

#Pela analise do boxplot, infere-se que o modelo não apresenta outlier e que as misturas apresentam
níveis médios diferentes de resistência.
#--RESPONDENDO A LETRA C#----------------------------------------------------------------------------------

# verificando as pressuposições

# modelo

modelo.av <- aov(resis ~ mist, data = dados)

# 1- Independência dos erros

par(mfrow=c(2,2))

plot(modelo.av)

#A análise de resíduos é fundamental para basear a confiabilidade do modelo encontrado.

#O primeiro gráfico (Residual vs Fitted) corresponde aos resíduos comparados aos valores do modelo
proposto.Neste caso, observou-se a distribuição relativamente simétrica em torno da linha.

#No gráfico Normal Q-Q, espera-se que os valores apresentem uma distribuição linear, de forma a
seguirem uma distribuição normal. Como a grande maioria dos pontos estão próximos a linha pode-se
considerar essa distribuição Normal.

#O terceiro gráfico (Scale-Location Plot) mostra a distribuição da raiz módulo dos resíduos em
comparação aos valores do experimento. Este gráfico permite a verificação da tendência de
heteroscedasticidade em que a magnitude da variação dos resíduos está correlacionada com os valores
do modelo.

#Tanto o terceiro como o quarto gráfico, mostra-se heteroscedasticidade diante da distribuição de

pontos e suas linhas.

residuos <- (modelo.av$residuals)

preditos <- (modelo.av$fitted.values)

plot(residuos,preditos)

title("Resíduos vs Preditos")

respad <- (residuos/sqrt(anova(modelo.av)$"Mean Sq"[2]))

boxplot(respad)

title("Resíduos Padronizados")

hist(respad, main=NULL)

title("Histograma dos resíduos padronizados")

qqnorm(residuos,ylab="Residuos", main=NULL)

qqline(residuos,ylab="Residuos", main=NULL)

title("Gráfico Normal de Probabilidade dos Resíduos")

par(mfrow = c(1,1))
#No primeiro gráfico, os dados apresentaram uma concentração quase que uniforme na faixa entre
2900 e 3000.

#No segundo gráfico o Box-plot não apresenta outlier a os dados podem ser representados pela
mediana.

#No terceiro gráfico é possível perceber que os dados estão distribuídos em conjunto, de forma a não
possuir nenhum dado discrepante.

#No gráfico de probabilidade normal de resíduos, a grande maioria dos pontos estão próximos a linha,
logo pode-se considerar essa distribuição Normal.

#ou pelo Teste de Durbin-Watson

# H0: autocorrelação igual a zero (independência)

# H1: autocorrelação diferente de zero (dependência)

# instala e carrega o pacote lmtest

require(lmtest)

dwtest(resis ~ mist, alternative=c("two.sided"), data=dados)

> dwtest(resis ~ mist, alternative=c("two.sided"), data=dados)

Durbin-Watson test

data: resis ~ mist

DW = 2.0502, p-value = 0.4543

alternative hypothesis: true autocorrelation is not 0

# Como p-valor foi maior que 0.05, não há evidências para rejeitar H0

# Ou seja, a correlação é igual a zero, os erros são independentes

# 2- Normalidade

# H0: dados seguem ~N

# H1: dados não seguem ~N

shapiro.test(residuos)

> shapiro.test(residuos)

Shapiro-Wilk normality test

data: residuos

W = 0.97046, p-value = 0.846

# Como p-valor foi maior que 0.05, não há evidências para rejeitar H0

# Ou seja, os erros são normalmente distribuídos

# 3- Homogeneidade de variâncias

# H0: variâncias homogêneas

# H1: variâncias heterogêneas

bartlett.test(resis ~ mist)

> bartlett.test(resis ~ mist)

Bartlett test of homogeneity of variances

data: resis by mist

Bartlett's K-squared = 0.71158, df = 3, p-value = 0.8705

# Como p-valor foi maior que 0.05, não há evidências para rejeitar H0

# Ou seja, as variâncias são homogêneas

# 4- Aditividade

# Não há necessidade de verificar esse parâmetro quando se trata de DIC.

#Sendo assim, todas as pressuposições foram atendidas. A análise de variância é válida.

#----RESPONDENDO A LETRA D#----------------------------------------------------------------------------------

# análise de variância

# H0: ti = ti'

# H1: ti dif de ti'

anova(modelo.av)

Analysis of Variance Table

Response: resis

Df Sum Sq Mean Sq F value Pr(>F)

mist 3 489740 163247 12.728 0.0004887 ***

Residuals 12 153908 12826

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

# Como o p-valor foi menor que o nível de significância de 5%, rejeita-se H0, ou seja,

# há pelo menos uma diferença significativa entre os tratamentos.

Na tabela F temos 3 (tratamentos) e 15 (resíduos) graus de liberdade e ao nível de significância de 5%.

Analisando o p-valor teos que Pr(>F) = 0.0004887. Assim, rejeita-se H0, com o nível de confiança de 95%.