FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationTue, 02 Dec 2008 08:13:41 -0700
Cite this page as followsStatistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2008/Dec/02/t1228230860je9ah9rkefgjoi8.htm/, Retrieved Sun, 19 May 2024 10:46:43 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27929, Retrieved Sun, 19 May 2024 10:46:43 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact162

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Law of Averages] [Random Walk Simul...] [2008-11-25 18:05:16] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [NonStationaryTime...] [2008-12-02 15:13:41] [80e37024345c6a903bf645806b7fbe14] [Current]
Feedback Forum
2008-12-07 19:09:10 [An Knapen] [reply] 
De autocorrelatie is een methode die gebruikt wordt om de graad van differentiatie te bepalen. We kunnen duidelijk zien dat de autocorrelatie steeds positief is. Verder kunnen we uit de grafiek ook afleiden dat het verloop geleidelijk is,waardoor we kunnen spreken van positieve autocorrelatie. Wanneer er echter een wispelturig verloop merkbaar was, dan was er sprake van negatieve autocorrelatie.
Wanneer we twee opeenvolgende metingen met elkaar vergelijken, kunnen we vaststellen dat wanneer de eerste meting zeer hoog is, de volgende meting ook zeer hoog zal zijn.
Er is ook dalende trend merkbaar. De waarden komen allemaal boven het 95% betrouwbaarheidsinterval uit. Dit wil zeggen dat de waarden significant van elkaar verschillen.
Om de tijdreeks stationair te maken, moeten we proberen de trend weg te werken.

2008-12-08 18:37:19 [Sofie Sergoynne] [reply] 
Er is idd een positieve autocorrelatie omdat de trend langzaam geleidelijk verloot. Indien deze wispelturig zou zijn, zou er een negatieve correlatie zijn.De autocorrelatie is een methode die gebruikt wordt om de graad van differentiatie te bepalen. De autocorrelatie is een methode die gebruikt wordt om de graad van differentiatie te bepalen.
2008-12-08 19:04:33 [Ellen Van den Broeck] [reply] 
goed antwoord

Post a new message

Dataset

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 seconds
R Server'George Udny Yule' @ 72.249.76.132

\begin{tabular}{lllllllll}
\hline
Summary of computational transaction \tabularnewline
Raw Input & view raw input (R code)  \tabularnewline
Raw Output & view raw output of R engine  \tabularnewline
Computing time & 1 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27929&T=0

[TABLE]
[ROW][C]Summary of computational transaction[/C][/ROW]
[ROW][C]Raw Input[/C][C]view raw input (R code) [/C][/ROW]
[ROW][C]Raw Output[/C][C]view raw output of R engine [/C][/ROW]
[ROW][C]Computing time[/C][C]1 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'George Udny Yule' @ 72.249.76.132[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27929&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27929&T=0

As an alternative you can also use a QR Code:  
QR Code


The GUIDs for individual cells are displayed in the table below:

Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time1 seconds
R Server'George Udny Yule' @ 72.249.76.132


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 500 ; par2 = 0.5 ;
Parameters (R input):
par1 = 500 ; par2 = 0.5 ;
R code (references can be found in the software module):
n <- as.numeric(par1)
p <- as.numeric(par2)
heads=rbinom(n-1,1,p)
a=2*(heads)-1
b=diffinv(a,xi=0)
c=1:n
pheads=(diffinv(heads,xi=.5))/c
bitmap(file='test1.png')
op=par(mfrow=c(2,1))
plot(c,b,type='n',main='Law of Averages',xlab='Toss Number',ylab='Excess of Heads',lwd=2,cex.lab=1.5,cex.main=2)
lines(c,b,col='red')
lines(c,rep(0,n),col='black')
plot(c,pheads,type='n',xlab='Toss Number',ylab='Proportion of Heads',lwd=2,cex.lab=1.5)
lines(c,pheads,col='blue')
lines(c,rep(.5,n),col='black')
par(op)
dev.off()
b
bitmap(file='pic1.png')
racf <- acf(b,n/10,main='Autocorrelation',xlab='lags',ylab='ACF')
dev.off()
racf