Professional Documents
Culture Documents
4.Thống kê mô tả
4.Thống kê mô tả
Thống kê mô tả:
4.1 Tính thông kê mô tả cho các biện trong bộ dữ liệu:
Câu lệnh thực hiện: summary(dat)
Kết quả thu được như sau:
Kết quả:
Phân phối của biến “roughness” thể hiện bằng biểu đồ boxplot:
Câu lệnh:
Kết quả:
Phân phối của biến “tension_strenght” thể hiện bằng biểu đồ boxplot:
Câu lệnh:
Kết quả:
Phân phối của biến “elongation” thể hiện bằng biểu đồ boxplot:
Câu lệnh:
Kết quả:
Kết quả:
Nhận xét: Dựa vào những đồ thị phân tán của biến “tension_strenght” như trên, có
thể thấy “tension_strenght” không có quan hệ với tất cả các biến được so sánh.
Kết quả:
Nhận xét: Dựa vào những đồ thị phân tán của biến “roughness” như trên, có thể
thấy “roughness” có quan hệ tuyến tính khá mạnh với biến “layer_height”.
Kết quả:
Nhận xét: Dựa vào những đồ thị phân tán của biến “elongation” như trên, có thể
thấy “elongation” không có quan hệ với tất cả các biến được so sánh.
5. Thống kê suy luận:
5.1 Mức độ ảnh hưởng của các thông số điều chỉnh đến độ nhám (roughness)
trong máy in 3D:
Các biến dự báo (độc lập) bao gồm: “layer_height”, “wall_thickness”,
“infill_desity”, “nozzel_temperature”, “bed_temperature”, “print_speed”,
“infill_pattern”, “material”.
Sử dụng mô hình hồi quy tuyến tính đa biến:
roughness= β0 + β1.layer_height + β2.wall_thickness + β3.infill_pattern + β4. nozzel_temperature +
β5.bed_temperature + β6.print_speed + β7.infill_desity +ε
Nhận xét:
- Vì giá trị p-value = 0.7627 > 5%, do vậy chưa thể bác bỏ giả thuyết H 0. Như vậy
hai mô hình được đánh giá có hiệu quả như nhau. Nhưng trong mô hình 2, giá trị
R2 = 0.8544 > 0.8509 là giá trị R2 của mô hình 1, nghĩa là mức độ giải thích của
các biến dự báo thuộc mô hình 2 cao hơn, do đó ta chọn mô hình 2 là mô hình hồi
quy tuyến tính cho biến “roughness”.
Roughness=-2310.7356+1246,5353.layer_height+14,7774.nozzle_temperature-
15,8078.bed_temperature+0,5538.print_speed+294,1610.materialpla
Nhận xét:
- Vì giá trị p-value = 0.4898 > 5%, do vậy chưa thể bác bỏ giả thuyết H 0. Như vậy
hai mô hình được đánh giá có hiệu quả như nhau. Nhưng trong mô hình 2, giá trị
R2 = 0.6642 > 0.6598 là giá trị R2 của mô hình 1, nghĩa là mức độ giải thích của
các biến dự báo thuộc mô hình 2 cao hơn, do đó ta chọn mô hình 2 là mô hình hồi
quy tuyến tính cho biến “elongation”.
elongation=19,023+6,079.layer_height+0,01.infill_density-
0,112.nozzel_temperature+0,107.bed_temperature-0,005.print_speed-
1,824.materialpla.
Vẽ đồ thị kiểm tra các giả định của mô hình 2:
Nhận xét:
- Trong đồ thị Residual vs Fitted: đường màu đỏ nằm gần đường thẳng
residuals=0, do vậy giả định sai số có kỳ vọng bằng 0 thỏa mãn. Các điểm sai số
phân tán ngẫu nhiên dọc theo đường màu đỏ, vì vậy giả định phương sai các sai số
là hằng số thoả mãn.
- Trong đồ thị Q-Q Residuals: các điểm sai số nằm khá sát với đường thẳng kỳ
vọng phân phối chuẩn, vì vậy giả định sai số có phân phối chuẩn thỏa mãn.
- Trong đồ thị Scale-Location: đường màu đỏ tương đối nằm ngang và các điểm
sai số phân bố ngẫu nhiên theo đường màu đỏ, do đó giả định phương sai các sai
số là hằng số thỏa mãn.
- Trong đồ thị Residuals vs Leverage: đường Cook’s distance không được hiển
thị, do vậy không tồn tại giá trị nào ảnh hưởng đến bộ dữ liệu cần được loại bỏ.