suppressPackageStartupMessages(library(tidyverse))
suppressPackageStartupMessages(library(MontgomeryDAE))
suppressPackageStartupMessages(library(knitr))
suppressPackageStartupMessages(library(kableExtra))
suppressPackageStartupMessages(library(nortest))Questão 3.14
Uma empresa farmaceutica quer investigar a bioatividade de uma droga nova. Um experimento completamento aleatorizado de um fator foi conduzido com três níveis da droga. O seguinte resultado foi obtido:
MontgomeryDAE::Problem3.16 %>%
select(Dosagem = Dosage, Atividade = Activity) %>%
kbl()| Dosagem | Atividade |
|---|---|
| 20g | 24 |
| 20g | 28 |
| 20g | 37 |
| 20g | 30 |
| 30g | 37 |
| 30g | 44 |
| 30g | 31 |
| 30g | 35 |
| 40g | 42 |
| 40g | 47 |
| 40g | 52 |
| 40g | 38 |
(a) Existe evidencia de que a dosagem afeta o nível de bioatividade? Use \(\alpha = 5\%\)
Usando análise de variância
model <- aov(Activity ~ Dosage, data = Problem3.16)
print(summary(model))## Df Sum Sq Mean Sq F value Pr(>F)
## Dosage 2 450.7 225.33 7.036 0.0145 *
## Residuals 9 288.2 32.03
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(b) Se for apropriado, faça comparação entre as médias. Qual a conclusão?
Primeiro, vamos fazer uma inspeção visual usando o boxplot
Problem3.16 %>%
ggplot() +
geom_boxplot(aes(x = Dosage, y = Activity, fill = Dosage)) +
guides(fill = 'none') +
labs(x = "Dosagem", y = "Bioatividade")Podemos ver que aparenta existir uma tendência crescente em relação a dosagem. Vamos testar os pares de médias usando o teste de Tukey
TukeyHSD(model)## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = Activity ~ Dosage, data = Problem3.16)
##
## $Dosage
## diff lwr upr p adj
## 30g-20g 7 -4.172869 18.17287 0.2402975
## 40g-20g 15 3.827131 26.17287 0.0114434
## 40g-30g 8 -3.172869 19.17287 0.1680265
Podemos ver que existe diferença significativa entra as média das dosagens 20g e 40g, ao nível de signicância de 5%.
(c) Analise os resíduos do experimento e comente sobre sua adequação.
Segue o qq-plot
base <- Problem3.16 %>%
mutate(Resíduos = model$residuals,
Predito = predict(model)) %>%
select(Dosagem = Dosage, Bioatividade = Activity, Resíduos, Predito)
base %>%
ggplot(aes(sample = Resíduos)) +
stat_qq() + stat_qq_line() +
labs(x = "Resíduos", y = "Teórico") +
ggtitle("Normal Probability Plot of the Resíduos",
subtitle = "(resposta é a bioatividade)")Segue o …
base %>% ggplot() +
geom_point(aes(x = Predito, y = Resíduos)) +
labs(x = "Valor Ajustado", y = "Resíduo") +
geom_hline(yintercept = 0, size = 1, col = "red")nortest::ad.test(base$Resíduos)##
## Anderson-Darling normality test
##
## data: base$Resíduos
## A = 0.45703, p-value = 0.2175