Beruflich Dokumente
Kultur Dokumente
# Estatística Experimental
# ICT - UFVJM
##=================================================================================
# **********************************************************************************
# Teste I - Parte 2
# **********************************************************************************
# **********************************************************************************
# Exercício 1
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.
##----------------------------------------------------------------------------------
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)
mist, resis
##----------------------------------------------------------------------------------
A B C D
A B C D
# gráficos exploratórios
par(mfrow = c(1,2))
plot.design(dados,xlab="fatores",
ylab="medias de resis",ylim=c(5,25))
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
par(mfrow=c(2,2))
plot(modelo.av)
#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.
plot(residuos,preditos)
title("Resíduos vs Preditos")
boxplot(respad)
title("Resíduos Padronizados")
hist(respad, main=NULL)
qqnorm(residuos,ylab="Residuos", main=NULL)
qqline(residuos,ylab="Residuos", main=NULL)
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.
Durbin-Watson test
# Como p-valor foi maior que 0.05, não há evidências para rejeitar H0
# 2- Normalidade
shapiro.test(residuos)
> shapiro.test(residuos)
data: residuos
# Como p-valor foi maior que 0.05, não há evidências para rejeitar H0
# 3- Homogeneidade de variâncias
bartlett.test(resis ~ mist)
# Como p-valor foi maior que 0.05, não há evidências para rejeitar H0
# 4- Aditividade
# análise de variância
# H0: ti = ti'
anova(modelo.av)
Response: resis
---
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,