Escolar Documentos
Profissional Documentos
Cultura Documentos
Avaliação PE
Avaliação PE
##
## Attaching package: 'dplyr'
library(ggplot2)
Análise Exploratória
Cá lculos para obter as estimativas dos parâ metros, somas de quadrados, prediçã o e erros
padrõ es. Na seçã o seguinte os dados serã o analisados com funçõ es do R e será feita
discussã o dos resultados.
# Repetições de cada ponto experimental.
ftable(xtabs(~A + B + C + D, data = refri))
## D -1 1
## A B C
## -1 -1 -1 2 2
## 1 2 2
## 1 -1 2 2
## 1 2 2
## 1 -1 -1 2 2
## 1 2 2
## 1 -1 2 2
## 1 2 2
# Gráfico.
ggplot(data = refri,
mapping = aes(x = A, y = y, color = B)) +
facet_grid(facets = C ~ D) +
geom_point() +
stat_summary(mapping = aes(group = B),
fun = "mean",
geom = "line")
Análise Operacional
# Dados.
refri
## A B C D rept y
## 1 -1 -1 -1 -1 1 159
## 2 1 -1 -1 -1 1 168
## 3 -1 1 -1 -1 1 158
## 4 1 1 -1 -1 1 166
## 5 -1 -1 1 -1 1 175
## 6 1 -1 1 -1 1 179
## 7 -1 1 1 -1 1 173
## 8 1 1 1 -1 1 179
## 9 -1 -1 -1 1 1 164
## 10 1 -1 -1 1 1 187
## 11 -1 1 -1 1 1 163
## 12 1 1 -1 1 1 185
## 13 -1 -1 1 1 1 168
## 14 1 -1 1 1 1 197
## 15 -1 1 1 1 1 170
## 16 1 1 1 1 1 194
## 17 -1 -1 -1 -1 2 163
## 18 1 -1 -1 -1 2 175
## 19 -1 1 -1 -1 2 163
## 20 1 1 -1 -1 2 168
## 21 -1 -1 1 -1 2 178
## 22 1 -1 1 -1 2 183
## 23 -1 1 1 -1 2 168
## 24 1 1 1 -1 2 182
## 25 -1 -1 -1 1 2 159
## 26 1 -1 -1 1 2 189
## 27 -1 1 -1 1 2 159
## 28 1 1 -1 1 2 191
## 29 -1 -1 1 1 2 174
## 30 1 -1 1 1 2 199
## 31 -1 1 1 1 2 174
## 32 1 1 1 1 2 198
## [1] 32 16
## [,1]
## I 5608
## A 272
## B -26
## C 174
## D 134
## AB -2
## AC -10
## BC -4
## AD 146
## BD 20
## CD -20
## ABC 12
## ABD -8
## ACD 0
## BCD 2
## ABCD -26
## [,1]
## [1,] 175.2500
## [2,] 8.5000
## [3,] -0.8125
## [4,] 5.4375
## [5,] 4.1875
## [6,] -0.0625
## [7,] -0.3125
## [8,] -0.1250
## [9,] 4.5625
## [10,] 0.6250
## [11,] -0.6250
## [12,] 0.3750
## [13,] -0.2500
## [14,] 0.0000
## [15,] 0.0625
## [16,] -0.8125
## [,1]
## I 175.2500
## A 8.5000
## B -0.8125
## C 5.4375
## D 4.1875
## AB -0.0625
## AC -0.3125
## BC -0.1250
## AD 4.5625
## BD 0.6250
## CD -0.6250
## ABC 0.3750
## ABD -0.2500
## ACD 0.0000
## BCD 0.0625
## ABCD -0.8125
# Somas de quadrados.
tail(ctr, n = -1)^2/(r * 2^k)
## [,1]
## A 2312.000
## B 21.125
## C 946.125
## D 561.125
## AB 0.125
## AC 3.125
## BC 0.500
## AD 666.125
## BD 12.500
## CD 12.500
## ABC 4.500
## ABD 2.000
## ACD 0.000
## BCD 0.125
## ABCD 21.125
# Resíduos.
refri$res <- with(refri, y - hy)
## [1] 9.5625
## [1] 0.5466517
## [1] 2.186607
## [,1]
## [1,] 172.9531
## [,1]
## [1,] 0.8451233
Atrá ves dos grá ficos podemos observar que, nã o existem evidências contra o atendimento
dos pressupostos. Obviamente que por serem poucas observaçõ es, dificulta-se detectar
padrõ es característicos, como relaçã o média-variâ ncia. O que pode ser comentado é que o
fato da variá vel ser medida em escala discreta (soma de 20 termos com notas de 0 a 10),
isso aparece no grá fico com resíduos padronizados de mesmo valor.
# Quadro de análise de variância.
anova(m0)
# Estimativas.
summary(m0)
##
## Call:
## lm(formula = y ~ A * B * C * D, data = refri)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.5 -2.0 0.0 2.0 3.5
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.752e+02 5.467e-01 320.588 < 2e-16 ***
## A 8.500e+00 5.467e-01 15.549 4.45e-11 ***
## B -8.125e-01 5.467e-01 -1.486 0.157
## C 5.438e+00 5.467e-01 9.947 2.96e-08 ***
## D 4.188e+00 5.467e-01 7.660 9.69e-07 ***
## A:B -6.250e-02 5.467e-01 -0.114 0.910
## A:C -3.125e-01 5.467e-01 -0.572 0.575
## B:C -1.250e-01 5.467e-01 -0.229 0.822
## A:D 4.562e+00 5.467e-01 8.346 3.19e-07 ***
## B:D 6.250e-01 5.467e-01 1.143 0.270
## C:D -6.250e-01 5.467e-01 -1.143 0.270
## A:B:C 3.750e-01 5.467e-01 0.686 0.503
## A:B:D -2.500e-01 5.467e-01 -0.457 0.654
## A:C:D 1.305e-14 5.467e-01 0.000 1.000
## B:C:D 6.250e-02 5.467e-01 0.114 0.910
## A:B:C:D -8.125e-01 5.467e-01 -1.486 0.157
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.092 on 16 degrees of freedom
## Multiple R-squared: 0.9676, Adjusted R-squared: 0.9371
## F-statistic: 31.81 on 15 and 16 DF, p-value: 4.504e-09
Pela aná lise de variâ ncia podemos dizer que, nã o houve interaçõ es relevantes envolvendo
C (nível de carbonaçã o), apenas o efeito principal. Nã o houve efeito de B (xarope/á gua) em
nenhum termo. Houve interaçã o dupla entre A (adoçante) e D (temperatura). Portanto,
alguns termos do modelo podem ser abandonados.
# Ajuste do modelo reduzido apenas nos termos relevantes.
m1 <- update(m0, . ~ C + A * D)
anova(m1)
# Variâncias residuais.
c(s2_m0 = summary(m0)$sigma^2,
s2_m1 = summary(m1)$sigma^2)
## s2_m0 s2_m1
## 9.562500 8.541667
Perceb-se que o modelo ajustado nã o diferiu. Neste exemplo, a variâ ncia residual do
modelo m1 foi menor que do modelo m0.Entã o, a diferença nessas estimativas é
irrelevante. Poderia-se usar a estimativa pura da variâ ncia residual fornecida pelo modelo
m0. Os resultados nã o devem mudar substancialmente.
# Malha fina de valores para predição.
pred <- expand.grid(A = seq(-1, 1, by = 0.1),
C = seq(-1, 1, by = 0.5),
D = seq(-1, 1, by = 0.1),
KEEP.OUT.ATTRS = FALSE)
pred <- cbind(pred,
as.data.frame(predict(m1,
newdata = pred,
se.fit = TRUE)[1:2]))
## A C D fit
## 1 -1 -1 1 160.9375
## 2 -1 -1 -1 161.6875
## 3 1 -1 -1 169.5625
## 4 -1 1 1 171.8125
## 5 -1 1 -1 172.5625
## 6 1 1 -1 180.4375
## 7 1 -1 1 187.0625
## 8 1 1 1 197.9375