suppressPackageStartupMessages(library(tidyverse))
suppressPackageStartupMessages(library(MontgomeryDAE))
suppressPackageStartupMessages(library(knitr))
suppressPackageStartupMessages(library(kableExtra))
suppressPackageStartupMessages(library(nortest))
suppressPackageStartupMessages(library(cowplot))
suppressPackageStartupMessages(library(emmeans))

Questão 3.27

Três marcas de baterias são analisadas, suspeita-se que as durações das baterias em semanas são diferentes. Foram selecionadas 5 baterias por marca, aleatoriamente, e depois de testadas deram o sequinte resultado:

table3.27 <-
  tibble(
    `Marca 1` = c(100, 96, 92, 96, 92), 
    `Marca 2` = c(76, 80, 75, 84, 82),
    `Marca 3` = c(108, 100, 96, 98, 100)
    ) 

## Imprimir tabela

table3.27 %>% 
  kable(caption = "Duração em Semanas") %>% 
  kable_styling(bootstrap_options = 
                  c("striped", "hover", "condensed", "responsive"), 
                full_width = FALSE, font_size = 12) 
Duração em Semanas
Marca 1 Marca 2 Marca 3
100 76 108
96 80 100
92 75 96
96 84 98
92 82 100
## Organizadp os dados para tratamento

table3.27_larga <-
  table3.27  %>% 
    pivot_longer(everything(), names_to = 'Marca', values_to = "Duração")

## Imprimir resultado

table3.27_larga %>% 
  arrange(Marca) %>% 
  kable(caption = "Duração em Semanas (Formato Longo)") %>% 
  kable_styling(bootstrap_options = 
                  c("striped", "hover", "condensed", "responsive"), 
                full_width = FALSE, font_size = 12) 
Duração em Semanas (Formato Longo)
Marca Duração
Marca 1 100
Marca 1 96
Marca 1 92
Marca 1 96
Marca 1 92
Marca 2 76
Marca 2 80
Marca 2 75
Marca 2 84
Marca 2 82
Marca 3 108
Marca 3 100
Marca 3 96
Marca 3 98
Marca 3 100

(a) Essas marcas de baterias tem duração diferente?

Sim, pelo menos uma marca de bateria tem duração média diferente:

Usando análise de variância

modelo <- aov(`Duração` ~ Marca, data = table3.27_larga)

summary(modelo)
##             Df Sum Sq Mean Sq F value   Pr(>F)    
## Marca        2 1196.1   598.1   38.34 6.14e-06 ***
## Residuals   12  187.2    15.6                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Podemos ver que existe indicação de diferença entre as durações médias de cada marca.

PAra fazer uma comparação entre as médias, primeiro vamos fazer uma inspeção visual usando o boxplot:

table3.27_larga %>% 
  ggplot() + 
  geom_boxplot(aes(x = Marca, y = Duração, fill = Marca)) +
  guides(fill = 'none')

Podemos ver que aparenta existir uma diferença entre a Marca 2 e as demais. Vamos testar as Marcas (par a par) usando o teste de Tukey

TukeyHSD(modelo)
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = Duração ~ Marca, data = table3.27_larga)
## 
## $Marca
##                  diff        lwr       upr     p adj
## Marca 2-Marca 1 -15.8 -22.464321 -9.135679 0.0001044
## Marca 3-Marca 1   5.2  -1.464321 11.864321 0.1355226
## Marca 3-Marca 2  21.0  14.335679 27.664321 0.0000063

ou usando o pacote emmeans:

emmodel <- emmeans(modelo, ~ Marca)
pairs(emmodel, adjust="tukey")
##  contrast          estimate  SE df t.ratio p.value
##  Marca 1 - Marca 2     15.8 2.5 12   6.325  0.0001
##  Marca 1 - Marca 3     -5.2 2.5 12  -2.082  0.1355
##  Marca 2 - Marca 3    -21.0 2.5 12  -8.407  <.0001
## 
## P value adjustment: tukey method for comparing a family of 3 estimates

Podemos ver que de fato as baterias da marca 2 tem uma duração menor do que as outras. Não apresenta diferença entre as marcas 1 e 3.

(c) Analise os resíduos do experimento e comente sobre sua adequação.

Vamos analisar os resíduos para ver a qualidade do ajuste

base <- table3.27_larga %>% 
  mutate(Resíduo = resid(modelo), 
         Ajustado = fitted(modelo)) 


p1 <- base %>% 
  ggplot() + geom_point(aes(x = Ajustado, y = Resíduo)) +
  ggtitle("Ajustado vs. Resíduos")


p2 <- base %>% 
  ggplot() + stat_qq(aes(sample = Resíduo)) +
  stat_qq_line(aes(sample = Resíduo), color = "red") +
  labs(x = "Quantis teóricos", y = "Quantis amostrais") +
  ggtitle("Probabilidade Normal") 


## usando a biblioteca 'cowplot'
plot_grid(p2, p1)

Nem nos gráficos apresenta sinais de problema em relação a normalidade e homocedasticidade dos resíduos. De qualquer maneira podemos tesar as variância e normalidade usando os testes Bartlett e Shapiro-Francia (ou Lilliefors, Anderson-Darling, etc.), respectivamente.

bartlett.test(`Duração` ~ Marca, data = table3.27_larga)
## 
##  Bartlett test of homogeneity of variances
## 
## data:  Duração by Marca
## Bartlett's K-squared = 0.34675, df = 2, p-value = 0.8408

Logo, podemos assumir ques as variâncias são homogêneas.

sf.test(base$Resíduo)
## 
##  Shapiro-Francia normality test
## 
## data:  base$Resíduo
## W = 0.93719, p-value = 0.2947

Portanto, nada de estranho com os resíduos.

(c) Construa um intervalos de confiança a 95% na vida média das baterias da Marca 2. Construa outro com 99% para da diferença média entra as marcas de baterias 2 e 3.

Podemos usar novamente o pacote emmeans:

confint(emmodel, level = .95)
##  Marca   emmean   SE df lower.CL upper.CL
##  Marca 1   95.2 1.77 12     91.4     99.0
##  Marca 2   79.4 1.77 12     75.6     83.2
##  Marca 3  100.4 1.77 12     96.6    104.2
## 
## Confidence level used: 0.95
confint(pairs(emmodel, adjust="none"), level = .99)
##  contrast          estimate  SE df lower.CL upper.CL
##  Marca 1 - Marca 2     15.8 2.5 12     8.17    23.43
##  Marca 1 - Marca 3     -5.2 2.5 12   -12.83     2.43
##  Marca 2 - Marca 3    -21.0 2.5 12   -28.63   -13.37
## 
## Confidence level used: 0.99

Ou seja, \(75.6 \leq \mu_2\leq 83.2\) e \(-28.63 \leq \mu_2 - \mu_2\leq -13.37\).

Ou então, aplicando a definição para uma média

\[ \bar{y}_i \pm t_{\frac{\alpha}{2},\ N-a} \sqrt{\frac{\text{MS}_\text{E}}{n}} \] e para diferença:

\[ \bar{y}_i - \bar{y}_j \pm t_{\frac{\alpha}{2},\ N-a} \sqrt{\frac{\text{2MS}_\text{E}}{n}} \]

Para a Marca 2:

N <- 15 # 3 marcas X 5 testes
n <- 5 # 5 baterias por marca/grupo
a <- 3 # 3 marcas/grupos
alpha <- .05 # 5%

y_hat_2 <- mean(table3.27$`Marca 2`) # 79.4
t_stat <- qt(p = 1 - alpha/2, df = N - a) # 2 . 179
MS_E <- sum(modelo$residuals^2)/(N - a) # 15.6

# Aplicando fórmula
Limite_Inferior <- y_hat_2 - t_stat*sqrt(MS_E/n)
Limite_Superior <- y_hat_2 + t_stat*sqrt(MS_E/n)

print(c(Limite_Inferior, Limite_Superior))
## [1] 75.55145 83.24855

Para diferença entre Marca 2 e Marca 3:

N <- 15 # 3 marcas X 5 testes
n <- 5 # 5 baterias por marca/grupo
a <- 3 # 3 marcas/grupos
alpha <- .05 # 5%

y_hat_2 <- mean(table3.27$`Marca 2`) # 79.4
t_stat <- qt(p = 1 - alpha/2, df = N - a) # 2.179
MS_E <- sum(modelo$residuals^2)/(N - a) # 15.6

# Aplicando fórmula
Limite_Inferior <- y_hat_2 - t_stat*sqrt(MS_E/n)
Limite_Superior <- y_hat_2 + t_stat*sqrt(MS_E/n)

print(c(Limite_Inferior, Limite_Superior))
## [1] 75.55145 83.24855

Logo, \(75.55 \leq \mu_2\leq 83.25\) com \(\gamma = 95\%\).

alpha <- .01 # 1%

y_hat_2 <- mean(table3.27$`Marca 2`) # 79.4
y_hat_3 <- mean(table3.27$`Marca 3`) # 100.4
t_stat <- qt(p = 1 - alpha/2, df = N - a) # 3.05454
MS_E <- sum(modelo$residuals^2)/(N - a) # 15.6

# Aplicando fórmula
Limite_Inferior <- y_hat_2 - y_hat_3 - t_stat*sqrt(2*MS_E/n)
Limite_Superior <- y_hat_2 - y_hat_3 + t_stat*sqrt(2*MS_E/n)

print(c(Limite_Inferior, Limite_Superior))
## [1] -28.63024 -13.36976

Logo, \(-28.63 \leq \mu_2 - \mu_3\leq -13.37\) com \(\gamma = 99\%\).

(d) Qual marca você escolheria? Se o fabricante trocar a bateria sem custo adicional para as beterias que durarem menos de 85 semanas, qual a fração que a fabricante esperaria trocar?

Poderiamos escolher as marcas 1 ou 3 ja que estas não apresentam diferenças estatisticamente significativas ao nível de 5%. Porem como a média do Marca 3 foi superior na amostra (100.4 \(>\) 95.2), vamos ficar com ela.

Assumindo a normalidade, a probabilidade de falha depois de \(85\) semanas é

\[ \Phi\left(\frac{85 - 100.4}{\sqrt{15.6}}\right) = \Phi (-3.899047) = 4.82861 \times 10^{-05} \] Ou no R

fração <- pnorm((85 - 100.4)/sqrt(15.6)) # 4.82861e-05
print(fração)
## [1] 4.82861e-05

Isto é, aproximadamente 5 a cada 100.000 baterias provavelmente falhariam antes de 85 semanas.

Questão 3.43 Em relação ao problema 3.27:

(a) Se quisermos detectar uma diferença máxima de 10 horas com uma probabilidade de no mínimo 90%, qual o tamanho da amostra deve ser usado? Como obter uma estimativa preliminar de \(\sigma^2\) para responder essa pergunta?

Para \(\sigma^2\), podemos usar os dados do problema 3.27 como base e usar o valor de \(MS_E\) como estimador, isto é, \(15.6\).

O tamanha da amostra pode ser feito de duas formas, usando o intervalo de confiança ou calculando o poder do teste. A primeira é mais simples (ver seção 3.7.2). Lembre que o comprimento do intervalo de confiança é \[ 2\cdot t_{\frac{\alpha}{2}, N - a} \cdot \sqrt{\frac{\text{MS}_\text{E}}{n}} \] Logo, podemos escolher \(n\) de forma que este tamanho seja 10 ou um valor menos.

tabela_n <- 
tibble(n = 3:8,
       N = 3*n, 
       Precisão = 2*qt(p = .05, df = 3*n - 3, lower.tail = FALSE)*sqrt(2*15.6/n))  
  

## Imprimir tabela
tabela_n %>% 
  mutate(Precisão = round(Precisão, 2)) %>% 
  kable(caption = "Tamanho da Amostra vc Presisão") %>% 
  kable_styling(bootstrap_options = 
                  c("striped", "hover", "condensed", "responsive"), 
                full_width = FALSE, font_size = 12) %>% 
  row_spec(3, bold = TRUE)
Tamanho da Amostra vc Presisão
n N Precisão
3 9 12.53
4 12 10.24
5 15 8.90
6 18 8.00
7 21 7.32
8 24 6.80

Neste caso, vemos que para ficar abaixo de 10 horas precisamos de no mínimo 5 observações por grupo, i.e., tamanho total da amostra de 15.

Na segunda maneira (ver seção 3.7.1), temos que calcular o erro tipo II:

\[ \begin{align} \beta &= 1 - \text{P}(\text{Rejeitar}\ H_0\ |\ H_0\ \text{é falsa}) \\ &= 1 - \text{P}(F_0 > F_{\alpha, a- 1, N - a}\ |\ H_0\ \text{é falsa}) \end{align} \] Neste caso, como as médias dos grupos são diferentes (\(H_0\) é falsa), a distribuição da estatística \(F_0 = \frac{\text{MS}_\text{T}}{\text{MS}_\text{E}}\) é uma distribuição \(F\) deslocada (não centralizada), por isto teremos que calcular este parâmetro de não centralidade \(\delta\). Podemos calcular usando a definição

\[ \delta = \frac{n\cdot\sum_{i = 1}^a \tau_i^2}{\sigma^2} \] Em geral não temos \(\tau_i\) a priori mas podemos querer detectar um efeito (ou distância entre as médias) \(D\) ou maior, Assim podemos alterar essa expressão para:

\[ \delta = \frac{n\cdot D^2}{\sigma^2} \] No R este é parâmetro nvp da função qf e pf. Assim, a probabilidade \(\beta\) é dada por

tabela_n <- 
  tibble(
    n = 3:8,
    N = 3*n,
    Beta = pf(
      qf(.05, df1 = 2, df2 = 3*n - 3, lower.tail = FALSE), 
      df1 = 2, 
      df2 = 3*n - 3, 
      ncp = (n*100)/(2*15.6), lower.tail = FALSE),
    Poder = 1 - Beta)

# Impressão

tabela_n %>% 
  mutate(Beta = round(Beta, 2),
         Poder = round(Poder, 2)) %>% 
  kable(caption = "Tamanho da Amostra vs Poder") %>% 
  kable_styling(bootstrap_options = 
                  c("striped", "hover", "condensed", "responsive"), 
                full_width = FALSE, font_size = 12) %>% 
  row_spec(4, bold = TRUE)
Tamanho da Amostra vs Poder
n N Beta Poder
3 9 0.56 0.44
4 12 0.77 0.23
5 15 0.89 0.11
6 18 0.95 0.05
7 21 0.98 0.02
8 24 0.99 0.01

Neste caso, para garantir pelo menos \(90%\) de precisão, teríamos que usar 6 observações por grupo, num total de 18 observações.

Comos as duas técnicas deram valores diferentes, sempre escolher o maior valor.