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) | 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) | 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)| 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)| 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.