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