2º Avaliação Parcial de Planejamento e Experimento

17/10/2021 18:30 2º Avaliação Parcial de Planejamento e Experimento
2º Avaliação Parcial de Planejamento e

Experimento
Alex Benassuly & Hevelen Francisca Silva e Silva
13/10/2021
Questão 4.21 - Assumindo que os tipos químicos e

parafusos são fixos, estime os parâmetros do
modelo τj e βj no Problema 4.8.
ȳ +ȳ +ȳ +ȳ

71.75
1. 2. 3. 4. 1435
^ =
μ = =
a∗b 4∗5
^1 = ȳ
τ 1.
− ȳ . . = 70.6 − 71.75 = -1.15
^2 = ȳ
τ 2.
− ȳ . . = 71.4 − 71.75 = -0.35
^3 = ȳ
τ 3.
− ȳ . . = 72.4 − 71.75 = 0.65
^4 = ȳ
τ 4.
− ȳ . . = 72.6 − 71.75 = 0.85
^
β 1 = ȳ .1 − ȳ . . = 73.5 − 71.75 = 1.75
^
β 2 = ȳ .2 − ȳ . . = 68.5 − 71.75 = -3.25
^
β 3 = ȳ .3 − ȳ . . = 75.5 − 71.75 = 3.75
^
β 4 = ȳ .4 − ȳ . . = 72.75 − 71.75 = 1
^
β 5 = ȳ .5 − ȳ . . = 68.5 − 71.75 = -3.25
Questão 4.26 - Um engenheiro industrial está

conduzindo um experimento sobre o tempo de foco
do olho. Ele está interessado no efeito da distância
do objeto do olho no tempo de foco. Quatro
distâncias diferentes são de interesse. Ele tem
file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 1/23
cinco individuos disponíveis para o experimento.

Como pode haver diferenças entre os indivíduos,
ele decide conduzir o experimento em um desenho
de blocos ao acaso. Seguem os dados obtidos.
Analise os dados deste experimento (use α = 0,05)
e tire as conclusões apropriadas.
Df Sum Sq Mean Sq F value Pr(>F)

<int> <dbl> <dbl> <dbl> <dbl>
trat 3 32.95 10.98333 8.614379 0.002543273
bloco 4 36.30 9.07500 7.117647 0.003548120
Residuals 12 15.30 1.27500 NA NA
3 rows
Para os tratamentos, rejeita-se H0 com um valor-p= 0.002543, fixado a um nível de significância α = 5%, ou
seja, há diferença significativa no efeito da distância do objeto do olho no tempo de foco, pelo menos uma
tratamento é distinta dos demais.
Para os blocos, rejeita-se H0 com um valor-p= 0.003548, fixado a um nível de significância α = 5%, ou seja,
há diferença significativa no tempo de foco dos olhos, Isto quer dizer que há necessidade de se utilizar bloco
quando dos próximos experimentos da mesma natureza que este.
verificando normalidade
##
## Shapiro-Wilk normality test
##
## data: residuals(fit)
## W = 0.94976, p-value = 0.3634
## Half-normal plot with simulated envelope generated assuming the residuals are
## normally distributed under the null hypothesis.

No gráfico acima, nota-se que todos os pontos estão dentro da banda do envelope simulado, indicando que
há evidências que os residuos seguem uma distribuição normal.
Segundo o resultado do teste, aceita-se H0 com um valor-p= 0.3634, nos dando evidências para dizer que os
residuos seguem uma distribuição normal, confirmando o resultado analisado na verificação gráfica.
Verificando independência

##
## Durbin-Watson test
##
## data: fit
## DW = 2.4353, p-value = 0.6247
## alternative hypothesis: true autocorrelation is greater than 0
Podemos notar que nos gráficos acima apresentam ausência de padrões e os pontos plotados se mantém
aleatórios em torno de zero. Isso são indicios de que os dados são independentes.
No teste de Durbin-Watson, aceita-se H0 com um valor-p= 0.6247, o que indica que há ausência de
autocorrelação.
Verificando a homocedasticidade

##
## Bartlett test of homogeneity of variances
##
## data: data$tempo and data$trat
## Bartlett's K-squared = 1.4631, df = 3, p-value = 0.6908
##
## Bartlett test of homogeneity of variances
##
## data: data$tempo and data$bloco
## Bartlett's K-squared = 1.042, df = 4, p-value = 0.9034
Pelo boxplot temos aparentemente variâncias aproximadamente semelhantes para os blocos, e para os
tratamentos os boxplot são diferentes.
para os tratamentos (distaânica), Com base no resultdo do quadro acima, aceita-se H0 a um valor-p= 0.6908,
fixado a um nível de significância α = 5%, ou seja, há evidência de que os erros terem variância comum.
para os blocos, para os tratamentos (distaânica), Com base no resultdo do quadro acima, aceita-se H0 a um
valor-p= 0.9034, fixado a um nível de significância α = 5%, ou seja, há evidência de que os erros terem
variância comum.

## Tukey multiple comparisons of means
## 95% family-wise confidence level
## factor levels have been ordered
##
## Fit: aov(formula = tempo ~ trat + bloco, data = data)
##
## $trat
## diff lwr upr p adj
## 10-8 0.2 -1.9202195 2.320219 0.9919294
## 6-8 1.6 -0.5202195 3.720219 0.1675242
## 4-8 3.2 1.0797805 5.320219 0.0036156
## 6-10 1.4 -0.7202195 3.520219 0.2554374
## 4-10 3.0 0.8797805 5.120219 0.0058370
## 4-6 1.6 -0.5202195 3.720219 0.1675242

## $statistics
## MSerror Df Mean CV MSD
## 1.275 12 4.85 23.28163 2.120219
##
## $parameters
## test name.t ntr StudentizedRange alpha
## Tukey trat 4 4.19866 0.05
##
## $means
## tempo std r Min Max Q25 Q50 Q75
## 10 3.8 1.483240 5 2 6 3 4 4
## 4 6.8 1.788854 5 6 10 6 6 6
## 6 5.2 2.387467 5 1 7 6 6 6
## 8 3.6 1.341641 5 2 5 3 3 5
##
## $comparison
## NULL
##
## $groups
## tempo groups
## 4 6.8 a
## 6 5.2 ab
## 10 3.8 b
## 8 3.6 b
##
## attr(,"class")
## [1] "group"
Podemos verificar que as diferenças do tempo médio de foco para as distâncias 4-8 e 4-10 são significativas,
no grafico podemos visualizar que o tempo médio de foco para as distâncias 4-8 e 4-10 são contém o 0 em
seus intervalos, ou seja, o tempo médio de foco para as distâncias 8 e 10 não se diferenciam entre si, mas se
diferenciam do tempo médio de foco para a distância 4.
concluimos que, a distância tem um efeito estatisticamente significativo no tempo médio do foco.
Questão 4.27 - O efeito de cinco ingredientes

diferentes (A, B, C, D, E) no tempo de reação de
um processo químico está sendo estudado. Cada
lote de novo material é grande o suficiente para
permitir que cinco execuções sejam feitas. Além
disso, cada corrida requer aproximadamente 1
hora e meia, portanto, apenas cinco execuções
podem ser feitas em um dia. O experimentador
decide executar o experimento como um quadrado
latino para que os efeitos do dia e do lote possam

ser controlados sistematicamente. Ela obtém os

dados que se seguem. Analise os dados deste
experimento (use α = 0,05) e tire conclusões.
### bibliotecas utilizadas
library(DT)
library(dplyr)
library(knitr)
library(stringr)
library(gdata)
library(pacman)
library(lawstat)
require(asbio)
require(hnp)
Passos necessários.
Passo 1: Leitura dos dados.
Passo 2: Teste de ANOVA.
Passo 3: Estatistica de Teste.
Passo 4: Análise dos resíduos
Passo 5: Teste de Tukey.
Passo 6: Resultados e Considerações finais.

### Passo 1:
## base utilizada

base <- c(8,7,1,7,3,
11,2,7,3,8,
4,9,10,1,5,
6,8,6,6,10,
4,2,3,8,8)
Batch <- factor(c(rep(1,5),rep(2,5),rep(3,5),rep(4,5),rep(5,5)))
Day <- factor(rep(1:5,5))
Ingredientes <- factor(c("A","B","D","C","E",
"C","E","A","D","B",
"B","A","C","E","D",
"D","C","E","B","A",
"E","D","B","A","C"
))
trat_Batch <-factor(c( "a","b","d","c","e",
"c","e","a","d","b",
"b","a","c","e","d",
"d","c","e","b","a",
"e","d","b","a","c"
))
cbind(str(base),str(Batch),str(Day),str(Ingredientes),str(trat_Batch))
## num [1:25] 8 7 1 7 3 11 2 7 3 8 ...
## Factor w/ 5 levels "1","2","3","4",..: 1 1 1 1 1 2 2 2 2 2 ...
## Factor w/ 5 levels "1","2","3","4",..: 1 2 3 4 5 1 2 3 4 5 ...
## Factor w/ 5 levels "A","B","C","D",..: 1 2 4 3 5 3 5 1 4 2 ...
## Factor w/ 5 levels "a","b","c","d",..: 1 2 4 3 5 3 5 1 4 2 ...
## NULL
Análise de Variância
Para saber se as médias diferem precisamos fazer a Análise de Variância (ANOVA). Uma vez que a hipótese
nula H0 é dada por:
H 0 = μ1 = μ2 = μ3 =. . . = μj
A hipotese alternativa é de que pelo menos dois dos μj são diferentes.
### Passo 2:
# obtendo valor de F
anova <- aov(base~Ingredientes+trat_Batch+Batch+Day)
summary(anova)

## Df Sum Sq Mean Sq F value Pr(>F)
## Ingredientes 4 141.44 35.36 11.309 0.000488 ***
## Batch 4 15.44 3.86 1.235 0.347618
## Day 4 12.24 3.06 0.979 0.455014
## Residuals 12 37.52 3.13
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
### Passo 3:
# obtendo valor de F critico
qf(0.95, df1 = 4, df2 = 12)
## [1] 3.259167
### verificando se rejeita a hipotese ou nao
# quando F > Fcrítico rejeitamos H0 e passamos a aceitar a hipótese alternativa H1, e quando
F < Fcrítico não podemos rejeitar H0.
11.309 > 3.259167
## [1] TRUE
1.235 > 3.259167
## [1] FALSE
0.979 > 3.259167
## [1] FALSE
### Passo 4:
# analise de residuos
res <- anova$residuals
anova$res
## 1 2 3 4 5 6 7 8 9 10 11 12 13
## -0.44 2.36 -1.24 -0.24 -0.44 1.16 -1.24 -1.24 0.16 1.16 -2.24 0.96 1.76
## 14 15 16 17 18 19 20 21 22 23 24 25
## -1.24 0.76 0.56 -1.84 1.96 -0.04 -0.64 0.96 -0.24 -1.24 1.36 -0.84
residuals(anova)

## 1 2 3 4 5 6 7 8 9 10 11 12 13
## -0.44 2.36 -1.24 -0.24 -0.44 1.16 -1.24 -1.24 0.16 1.16 -2.24 0.96 1.76
## 14 15 16 17 18 19 20 21 22 23 24 25
## -1.24 0.76 0.56 -1.84 1.96 -0.04 -0.64 0.96 -0.24 -1.24 1.36 -0.84
Distribuição de Frequência dos residuos

### Passo 4:
# residuos padronizados
s2 <- anova(anova)$Mean[4]
res_st<-res/sqrt(s2)
res_st
## 1 2 3 4 5 6
## -0.24883524 1.33466174 -0.70126295 -0.13572831 -0.24883524 0.65602018
## 7 8 9 10 11 12
## -0.70126295 -0.70126295 0.09048554 0.65602018 -1.26679758 0.54291325
## 13 14 15 16 17 18
## 0.99534096 -0.70126295 0.42980632 0.31669940 -1.04058373 1.10844789
## 19 20 21 22 23 24
## -0.02262139 -0.36194217 0.54291325 -0.13572831 -0.70126295 0.76912710
## 25
## -0.47504909
hist(res_st, main = " Histograma dos Resíduos")

hnp(anova)
## Gaussian model (aov object)

O distanciamento dos residuos é pequeno e permanece quase em sua totalidade dentro das bandas,
apresentando indicios de normalidade, entretanto para confirmação aplica-se o teste de normalidade.
Teste de Normalidade
A hipótese nula H0 é dada por:
H0 = os erros têm distribuição normal
A hipotese alternativa é de que os erros não têm distribuição normal.
### Passo 4:
#Teste Shapiro-Wilk
shapiro.test(res)
##
##
## data: res
## W = 0.96606, p-value = 0.5476
Com p-value = 0,5476, não se rejeita a hipótese de normalidade dos erros, ao nível de 5% de significância.
Comparação de Médias
### Passo 5:
# obtendo quais marcas diferem entre si
tukey <- TukeyHSD(anova);tukey
##
## Fit: aov(formula = base ~ Ingredientes + trat_Batch + Batch + Day)
##
## $Ingredientes
## B-A -2.8 -6.3646078 0.7646078 0.1539433
## C-A 0.4 -3.1646078 3.9646078 0.9960012
## D-A -5.0 -8.5646078 -1.4353922 0.0055862
## E-A -5.2 -8.7646078 -1.6353922 0.0041431
## C-B 3.2 -0.3646078 6.7646078 0.0864353
## D-B -2.2 -5.7646078 1.3646078 0.3365811
## E-B -2.4 -5.9646078 1.1646078 0.2631551
## D-C -5.4 -8.9646078 -1.8353922 0.0030822
## E-C -5.6 -9.1646078 -2.0353922 0.0023007
## E-D -0.2 -3.7646078 3.3646078 0.9997349
##
## $Batch
## 2-1 1.0 -2.564608 4.564608 0.8936609
## 3-1 0.6 -2.964608 4.164608 0.9816047
## 4-1 2.0 -1.564608 5.564608 0.4225127
## 5-1 -0.2 -3.764608 3.364608 0.9997349
## 3-2 -0.4 -3.964608 3.164608 0.9960012
## 4-2 1.0 -2.564608 4.564608 0.8936609
## 5-2 -1.2 -4.764608 2.364608 0.8166339
## 4-3 1.4 -2.164608 4.964608 0.7232162
## 5-3 -0.8 -4.364608 2.764608 0.9489243
## 5-4 -2.2 -5.764608 1.364608 0.3365811
##
## $Day
## 2-1 -1.0 -4.564608 2.564608 0.8936609
## 3-1 -1.2 -4.764608 2.364608 0.8166339
## 4-1 -1.6 -5.164608 1.964608 0.6212723
## 5-1 0.2 -3.364608 3.764608 0.9997349
## 3-2 -0.2 -3.764608 3.364608 0.9997349
## 4-2 -0.6 -4.164608 2.964608 0.9816047
## 5-2 1.2 -2.364608 4.764608 0.8166339
## 4-3 -0.4 -3.964608 3.164608 0.9960012
## 5-3 1.4 -2.164608 4.964608 0.7232162
## 5-4 1.8 -1.764608 5.364608 0.5188508
Passo 6:
O resultado da anova dá-se por dois resultados que necessitamos, primeiro para os ingredientes com de F
igual a 11,309 e por seguinte os graus de liberdade que são respectivamente, 4 e 12. Em seguida calculamos
o valor do F critico, que se encontra no valor de 3,259. A partir disso, verificamos o valor de F e F critico para
chegarmos a uma conclusao. Dessa forma, visto que F é maior que 3,259, rejeitamos H0 em um nível de

confiança de 95% e concluímos que existe diferença significativa entre os ingredientes A, B, C, D e E, no

tempo de reação. Por seguinte para o Batch(Lote) com F igual a 1,235 e graus de liberdade iguais 4 e 12. Em
seguida calculamos o valor do F critico, que se encontra no valor de 3,259. A partir disso, verificamos o valor
de F e F critico para chegarmos a uma conclusao. Dessa forma, visto que F é menor que 3,259, aceitamos H0
em um nível de confiança de 95% e concluímos que não existe diferença significativa entre o lote e o tempo
de reação. Por fim, para o Day(Dia) com F igual a 0,979 e graus de liberdade iguais 4 e 12. Em seguida
calculamos o valor do F critico, que se encontra no valor de 3,259. A partir disso, verificamos o valor de F e F
critico para chegarmos a uma conclusao. Dessa forma, visto que F é menor que 3,259, aceitamos H0 em um
nível de confiança de 95% e concluímos que não existe diferença significativa entre os dias 1, 2, 3, 4 e 5, e o
tempo de reação.
Por seguinte, pretende-se identificar quais ingredientes diferem significativamente entre si, para isso
utilizamos o teste de Tukey. No mesmo quando p < α podemos afirmar que as médias diferem ao nível de
significância de α, que será fixado pelo usuário. No caso desta questão, α = 0,05.Em contrapartida se p > α ,
não podemos afirmar que as médias diferem. Dessa forma, podemos afirmar que E-A, D-C e E-C as médias
são significativamente diferentes.
Questão 4.40 - O rendimento de um processo

químico foi medido usando cinco lotes de matéria-
prima, cinco concentrações de ácido, cinco tempos
de repouso (A, B, C, D, E) e cinco concentrações
de catalisador (α, β, γ, δ, ε). Foi utilizada a praça
greco-latina que se segue. Analise os dados deste
experimento (use α = 0,05) e tire conclusões.
Passos necessários.
Passo 1: Leitura dos dados.
Passo 2: Teste de ANOVA.
Passo 3: Estatistica de Teste.
Passo 4: Análise dos resíduos
Passo 5: Teste de Tukey.
Passo 6: Resultados e Considerações finais.

### Passo 1:
## base utilizada

produto <- c(26,16,19,16,13,
18,21,18,11,21,
20,12,16,25,13,
15,15,22,14,17,
10,24,17,17,14)
lote <- factor(c(rep(1,5),rep(2,5),rep(3,5),rep(4,5),rep(5,5)))
acido <- factor(rep(1:5,5))
tempo <- factor(c("A","B","C","D","E",
"B","C","D","E","A",
"C","D","E","A","B",
"D","E","A","B","C",
"E","A","B","C","D"
))
catalisador <-factor(c( "a","b","c","d","e",
"c","d","e","a","b",
"e","a","b","c","d",
"b","c","d","e","a",
"d","e","a","b","c"
))
cbind(str(produto),str(lote),str(acido),str(tempo),str(catalisador))
## num [1:25] 26 16 19 16 13 18 21 18 11 21 ...
## Factor w/ 5 levels "1","2","3","4",..: 1 1 1 1 1 2 2 2 2 2 ...
## Factor w/ 5 levels "1","2","3","4",..: 1 2 3 4 5 1 2 3 4 5 ...
## Factor w/ 5 levels "A","B","C","D",..: 1 2 3 4 5 2 3 4 5 1 ...
## Factor w/ 5 levels "a","b","c","d",..: 1 2 3 4 5 3 4 5 1 2 ...
## NULL
Análise de Variância
Para saber se as médias diferem precisamos fazer a Análise de Variância (ANOVA). Uma vez que a hipótese
nula H0 é dada por:
H 0 = μ1 = μ2 = μ3 =. . . = μj
A hipotese alternativa é de que pelo menos dois dos μj são diferentes.
### Passo 2:
# obtendo valor de F
anova <- aov(produto~tempo+catalisador+lote+acido)
summary(anova)

## Df Sum Sq Mean Sq F value Pr(>F)
## tempo 4 342.8 85.70 14.650 0.000941 ***
## catalisador 4 12.0 3.00 0.513 0.728900
## lote 4 10.0 2.50 0.427 0.785447
## acido 4 24.4 6.10 1.043 0.442543
## Residuals 8 46.8 5.85
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
### Passo 3:
# obtendo valor de F critico
qf(0.95, df1 = 4, df2 = 8)
## [1] 3.837853
### verificando se rejeita a hipotese ou nao
# quando F > Fcrítico rejeitamos H0 e passamos a aceitar a hipótese alternativa H1, e quando
F < Fcrítico não podemos rejeitar H0.
14.650 > 3.837853
## [1] TRUE
0.513 > 3.837853
## [1] FALSE
0.427 > 3.837853
## [1] FALSE
1.043 > 3.837853
## [1] FALSE
### Passo 4:
# analise de residuos
res <- anova$residuals
anova$res

## 1 2 3 4 5
## 1.600000e+00 -6.000000e-01 -2.800000e+00 1.600000e+00 2.000000e-01
## 6 7 8 9 10
## 2.000000e-01 2.000000e+00 6.000000e-01 -1.400000e+00 -1.400000e+00
## 11 12 13 14 15
## -2.831069e-15 -2.800000e+00 2.000000e+00 1.000000e+00 -2.000000e-01
## 16 17 18 19 20
## 2.000000e-01 1.200000e+00 -1.400000e+00 -1.000000e+00 1.000000e+00
## 21 22 23 24 25
## -2.000000e+00 2.000000e-01 1.600000e+00 -2.000000e-01 4.000000e-01
residuals(anova)
## 1 2 3 4 5
## 1.600000e+00 -6.000000e-01 -2.800000e+00 1.600000e+00 2.000000e-01
## 6 7 8 9 10
## 2.000000e-01 2.000000e+00 6.000000e-01 -1.400000e+00 -1.400000e+00
## 11 12 13 14 15
## -2.831069e-15 -2.800000e+00 2.000000e+00 1.000000e+00 -2.000000e-01
## 16 17 18 19 20
## 2.000000e-01 1.200000e+00 -1.400000e+00 -1.000000e+00 1.000000e+00
## 21 22 23 24 25
## -2.000000e+00 2.000000e-01 1.600000e+00 -2.000000e-01 4.000000e-01
Distribuição de Frequência dos residuos

### Passo 4:
# residuos padronizados
s2 <- anova(anova)$Mean[4]
res_st<-res/sqrt(s2)
res_st
## 1 2 3 4 5
## 6.478211e-01 -2.429329e-01 -1.133687e+00 6.478211e-01 8.097763e-02
## 6 7 8 9 10
## 8.097763e-02 8.097763e-01 2.429329e-01 -5.668434e-01 -5.668434e-01
## 11 12 13 14 15
## -1.146266e-15 -1.133687e+00 8.097763e-01 4.048882e-01 -8.097763e-02
## 16 17 18 19 20
## 8.097763e-02 4.858658e-01 -5.668434e-01 -4.048882e-01 4.048882e-01
## 21 22 23 24 25
## -8.097763e-01 8.097763e-02 6.478211e-01 -8.097763e-02 1.619553e-01
hist(res_st, main = " Histograma dos Resíduos")

hnp(anova)
## Gaussian model (aov object)

O distanciamento dos residuos é pequeno e encontram-se quase todos dentro das bandas de confiança,
apresentando indicios de normalidade, entretanto para confirmação aplica-se o teste de normalidade.
Teste de Normalidade
A hipótese nula H0 é dada por:
H0 = os erros têm distribuição normal
A hipotese alternativa é de que os erros não têm distribuição normal.
### Passo 4:
#Teste Shapiro-Wilk
shapiro.test(res)
##
##
## data: res
## W = 0.94721, p-value = 0.2167
Com p-value = 0,2167, não se rejeita a hipótese de normalidade dos erros, ao nível de 5% de significância.
Comparação de Médias
### Passo 5:
# obtendo quais marcas diferem entre si
tukey <- TukeyHSD(anova);tukey

##
## Fit: aov(formula = produto ~ tempo + catalisador + lote + acido)
##
## $tempo
## B-A -8.0 -13.284751 -2.7152488 0.0051639
## C-A -4.8 -10.084751 0.4847512 0.0770797
## D-A -8.6 -13.884751 -3.3152488 0.0032815
## E-A -10.6 -15.884751 -5.3152488 0.0008219
## C-B 3.2 -2.084751 8.4847512 0.3087034
## D-B -0.6 -5.884751 4.6847512 0.9939694
## E-B -2.6 -7.884751 2.6847512 0.4837165
## D-C -3.8 -9.084751 1.4847512 0.1869031
## E-C -5.8 -11.084751 -0.5152488 0.0317351
## E-D -2.0 -7.284751 3.2847512 0.6948188
##
## $catalisador
## b-a 0.4 -4.884751 5.684751 0.9987373
## c-a 1.6 -3.684751 6.884751 0.8279246
## d-a -0.2 -5.484751 5.084751 0.9999182
## e-a 1.2 -4.084751 6.484751 0.9281909
## c-b 1.2 -4.084751 6.484751 0.9281909
## d-b -0.6 -5.884751 4.684751 0.9939694
## e-b 0.8 -4.484751 6.084751 0.9823986
## d-c -1.8 -7.084751 3.484751 0.7640759
## e-c -0.4 -5.684751 4.884751 0.9987373
## e-d 1.4 -3.884751 6.684751 0.8834072
##
## $lote
## 2-1 -0.2 -5.484751 5.084751 0.9999182
## 3-1 -0.8 -6.084751 4.484751 0.9823986
## 4-1 -1.4 -6.684751 3.884751 0.8834072
## 5-1 -1.6 -6.884751 3.684751 0.8279246
## 3-2 -0.6 -5.884751 4.684751 0.9939694
## 4-2 -1.2 -6.484751 4.084751 0.9281909
## 5-2 -1.4 -6.684751 3.884751 0.8834072
## 4-3 -0.6 -5.884751 4.684751 0.9939694
## 5-3 -0.8 -6.084751 4.484751 0.9823986
## 5-4 -0.2 -5.484751 5.084751 0.9999182
##
## $acido
## 2-1 -0.2 -5.484751 5.084751 0.9999182
## 3-1 0.6 -4.684751 5.884751 0.9939694
## 4-1 -1.2 -6.484751 4.084751 0.9281909
## 5-1 -2.2 -7.484751 3.084751 0.6232282
## 3-2 0.8 -4.484751 6.084751 0.9823986
## 4-2 -1.0 -6.284751 4.284751 0.9610846
## 5-2 -2.0 -7.284751 3.284751 0.6948188
## 4-3 -1.8 -7.084751 3.484751 0.7640759
## 5-3 -2.8 -8.084751 2.484751 0.4197369
## 5-4 -1.0 -6.284751 4.284751 0.9610846

Passo 6:
O resultado da anova dá-se por dois resultados que necessitamos, primeiro para o tempo com de F igual a
14,650 e por seguinte os graus de liberdade que são respectivamente, 4 e 8. Em seguida calculamos o valor
do F critico, que se encontra no valor de 3,837. A partir disso, verificamos o valor de F e F critico para
chegarmos a uma conclusao. Dessa forma, visto que F é maior que 3,837, rejeitamos H0 em um nível de
confiança de 95% e concluímos que existe diferença significativa entre os tempos A, B, C, D e E, em relação
as demais variaveis. Por seguinte para o catalisador com F igual a 0,513 e graus de liberdade iguais 4 e 8.
Em seguida calculamos o valor do F critico, que se encontra no valor de 3,837. Dessa forma, visto que F é
menor que 3,837, aceitamos H0 em um nível de confiança de 95% e concluímos que não existe diferença
significativa entre o catalisador e o tempo de reação. Por seguinte, para o lote com F igual a 0,427 e graus de
liberdade iguais 4 e 8. Em seguida calculamos o valor do F critico, que se encontra no valor de 3,837. Dessa
forma, visto que F é menor que 3,837, aceitamos H0 em um nível de confiança de 95% e concluímos que não
existe diferença significativa entre os lotes e o tempo de reação. Por fim, para os acidos com F igual a 1,043 e
graus de liberdade iguais 4 e 8. Em seguida calculamos o valor do F critico, que se encontra no valor de
3,837. Dessa forma, visto que F é menor que 3,837, aceitamos H0 em um nível de confiança de 95% e
concluímos que não existe diferença significativa entre os acidos e o tempo de reação.
Por seguinte, pretende-se identificar quais tempos diferem significativamente entre si, para isso utilizamos o
teste de Tukey. No mesmo quando α podemos afirmar que as médias diferem ao nível de significância de α ,
que será fixado pelo usuário. No caso desta questão, α = 0,05.Em contrapartida se p > α, não podemos
afirmar que as médias diferem. Dessa forma, podemos afirmar que E-A e D-A as médias são
significativamente diferentes.
Questão 4.45 - Um engenheiro está estudando as

características de desempenho de quilometragem
de cinco tipos de aditivos para gasolina. No teste
de estrada, ele deseja usar carros como blocos; no
entanto, devido a uma restrição de tempo, ele deve
usar um projeto de bloco incompleto. Ele executa o
projeto equilibrado com os cinco blocos que se
seguem. Analise os dados deste experimento (use
α = 0,05) e tire conclusões.

2º Avaliação Parcial de Planejamento e Experimento

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2º Avaliação Parcial de Planejamento e Experimento

Enviado por

Direitos autorais:

Formatos disponíveis

17/10/2021 18:30 2º Avaliação Parcial de Planejamento e Experimento

2º Avaliação Parcial de Planejamento e

Questão 4.21 - Assumindo que os tipos químicos e

ȳ +ȳ +ȳ +ȳ

Questão 4.26 - Um engenheiro industrial está

cinco individuos disponíveis para o experimento.

Df Sum Sq Mean Sq F value Pr(>F)

trat 3 32.95 10.98333 8.614379 0.002543273

bloco 4 36.30 9.07500 7.117647 0.003548120

Residuals 12 15.30 1.27500 NA NA

## Shapiro-Wilk normality test

## W = 0.94976, p-value = 0.3634

## normally distributed under the null hypothesis.

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 2/23

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 3/23

## DW = 2.4353, p-value = 0.6247

## alternative hypothesis: true autocorrelation is greater than 0

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 4/23

## Bartlett test of homogeneity of variances

## data: data$tempo and data$trat

## Bartlett's K-squared = 1.4631, df = 3, p-value = 0.6908

## Bartlett test of homogeneity of variances

## data: data$tempo and data$bloco

## Bartlett's K-squared = 1.042, df = 4, p-value = 0.9034

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 5/23

## Tukey multiple comparisons of means

## 95% family-wise confidence level

## factor levels have been ordered

## Fit: aov(formula = tempo ~ trat + bloco, data = data)

## diff lwr upr p adj

## 10-8 0.2 -1.9202195 2.320219 0.9919294

## 6-8 1.6 -0.5202195 3.720219 0.1675242

## 4-8 3.2 1.0797805 5.320219 0.0036156

## 6-10 1.4 -0.7202195 3.520219 0.2554374

## 4-10 3.0 0.8797805 5.120219 0.0058370

## 4-6 1.6 -0.5202195 3.720219 0.1675242

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 6/23

## MSerror Df Mean CV MSD

## 1.275 12 4.85 23.28163 2.120219

## test name.t ntr StudentizedRange alpha

## Tukey trat 4 4.19866 0.05

## tempo std r Min Max Q25 Q50 Q75

Questão 4.27 - O efeito de cinco ingredientes

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 7/23

ser controlados sistematicamente. Ela obtém os

### bibliotecas utilizadas

Passo 1: Leitura dos dados.

Passo 2: Teste de ANOVA.

Passo 3: Estatistica de Teste.

Passo 4: Análise dos resíduos

Passo 5: Teste de Tukey.

Passo 6: Resultados e Considerações finais.

file:///C:/Users/alexb/OneDrive/Área de Trabalho/materias/planejamento e experimento/p2.html 8/23

base <- c(8,7,1,7,3,

Batch <- factor(c(rep(1,5),rep(2,5),rep(3,5),rep(4,5),rep(5,5)))

Day <- factor(rep(1:5,5))

Ingredientes <- factor(c("A","B","D","C","E",

trat_Batch <-factor(c( "a","b","d","c","e",

## num [1:25] 8 7 1 7 3 11 2 7 3 8 ...

## Factor w/ 5 levels "1","2","3","4",..: 1 1 1 1 1 2 2 2 2 2 ...

## Factor w/ 5 levels "1","2","3","4",..: 1 2 3 4 5 1 2 3 4 5 ...

## Factor w/ 5 levels "A","B","C","D",..: 1 2 4 3 5 3 5 1 4 2 ...

## Factor w/ 5 levels "a","b","c","d",..: 1 2 4 3 5 3 5 1 4 2 ...

A hipotese alternativa é de que pelo menos dois dos μj são diferentes.