FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_meanplot.wasp
Title produced by softwareMean Plot
Date of computationThu, 06 Nov 2008 16:18:53 -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/Nov/07/t1226013630sa9qn2y5gblkvsk.htm/, Retrieved Sun, 19 May 2024 04:07:24 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=22443, Retrieved Sun, 19 May 2024 04:07:24 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact181

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Mean Plot] [workshop 3] [2007-10-26 12:14:28] [e9ffc5de6f8a7be62f22b142b5b6b1a8]
F R  D    [Mean Plot] [] [2008-11-06 23:18:53] [905ab864170ee411eb174f5362414698] [Current]
-           [Mean Plot] [Mean Plot] [2008-11-07 08:33:29] [17bd4671b42d569d890f7246b2ee4ecc]
Feedback Forum
2008-11-11 16:40:05 [Peter Van Doninck] [reply] 
De analyse klopt niet. Door de 5% hoogste en 5% laagste waarnemingen weg te laten, worden de zogenaamde staarten afgeknipt, en verkrijgen we een lagere spreiding. Hieruit volgt dat de verschillen meer door toeval verklaard zullen worden.
2008-11-11 17:44:09 [Liese Drijkoningen] [reply] 
De verklaring van de student is niet volledig correct.
In het algemeen kunnen we zeggen dat door de hoogste en laagste 5% van de metingen weg te laten, we de staarten afknippen. Hierdoor verkleint de spreiding.
Verder kunnen we over Q2 nog zeggen dat de inkepingen van de notched boxplots elkaar meer overlappen. Er zijn dus geen significante verschillen, we kunnen dus ook niet spreken over seizoenaliteit.
Over Q3 kan ik nog zeggen dat de mediaan niet altijd daalt, soms stijgt hij zelfs lichtjes. Maar deze dalingen en stijgingen zijn niet significant omdat de grenzen van het betrouwbaarheidsinterval elkaar overlappen. We kunnen dus zeggen dat deze dalingen en stijgingen te wijten zijn aan het toeval.
2008-11-12 09:55:14 [76d4ba45ca37c54e4ca3ca97939a2cd4] [reply] 
Je waarnemingen kloppen min of meer wel, maar ze zijn onvolledig. De grafiek na de weglating van de 5% hoogste en laagste metingen is niet echt de omgekeerde van die zonder de weglating. In maand 3 is immers nog steeds een dipje na de weglating, net als in maand 10. En de gegevens voor maand 12 liggen nog steeds op dezelfde hoogte na de weglating. Er valt ook nog veel meer te vertellen dan wat jij zegt. Je kan bijvoorbeeld ook opmerken dat de spreiding verkleind is. De gegevens liggen dus meer in de buurt van het gemiddelde. Het gemiddelde is zelfs op dezelfde hoogte gebleven, wat wil zeggen dat de weggelaten gegevens mekaar ongeveer opheffen.
Verder zet je er een periodieke en sequentiële boxplot bij, maar je doet daar niets mee. Bij de periodieke plot zou je bv kunnen zeggen dat de spreiding in de meeste maanden vergroot is, wat je kan zien aan de langere boxplots, als je de plots naast elkaar zou leggen. De gegevens lijken ook meer normaalverdeeld na de weglating. Bij de sequentiële plot zou je kunnen zeggen dat de gegevens voor het laatste (zesde) jaar verdwenen zijn. Deze gegevens zullen bij de hoogste 5% van de metingen gezeten hebben, wat we ook kunnen afleiden uit te vorige vragen over de seizoenaliteit. (enkel de gegevens voor januari tot maart waren beschikbaar, en net daar waren pieken in de productie.) Verder is ook de daling van de medianen verdwenen. Deze schommelen nu meer. Toch kunnen we niet zeker zijn dat dit significant is, omdat de inkepingen elkaar overlappen.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
109.20
88.60
94.30
98.30
86.40
80.60
104.10
108.20
93.40
71.90
94.10
94.90
96.40
91.10
84.40
86.40
88.00
75.10
109.70
103.00
82.10
68.00
96.40
94.30
90.00
88.00
76.10
82.50
81.40
66.50
97.20
94.10
80.70
70.50
87.80
89.50
99.60
84.20
75.10
92.00
80.80
73.10
99.80
90.00
83.10
72.40
78.80
87.30
91.00
80.10
73.60
86.40
74.50
71.20
92.40
81.50
85.30
69.90
84.20
90.70
100.30

Tables (Output of Computation)





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time3 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 & 3 seconds \tabularnewline
R Server & 'George Udny Yule' @ 72.249.76.132 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22443&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]3 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=22443&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22443&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 time3 seconds
R Server'George Udny Yule' @ 72.249.76.132


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 12 ;
Parameters (R input):
par1 = 12 ;
R code (references can be found in the software module):
x <- x[x>quantile(x,0.05) & xpar1 <- as.numeric(par1)
(n <- length(x))
(np <- floor(n / par1))
arr <- array(NA,dim=c(par1,np+1))
ari <- array(0,dim=par1)
j <- 0
for (i in 1:n)
{
j = j + 1
ari[j] = ari[j] + 1
arr[j,ari[j]] <- x[i]
if (j == par1) j = 0
}
ari
arr
arr.mean <- array(NA,dim=par1)
arr.median <- array(NA,dim=par1)
arr.midrange <- array(NA,dim=par1)
for (j in 1:par1)
{
arr.mean[j] <- mean(arr[j,],na.rm=TRUE)
arr.median[j] <- median(arr[j,],na.rm=TRUE)
arr.midrange[j] <- (quantile(arr[j,],0.75,na.rm=TRUE) + quantile(arr[j,],0.25,na.rm=TRUE)) / 2
}
overall.mean <- mean(x)
overall.median <- median(x)
overall.midrange <- (quantile(x,0.75) + quantile(x,0.25)) / 2
bitmap(file='plot1.png')
plot(arr.mean,type='b',ylab='mean',main='Mean Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.mean,0)
dev.off()
bitmap(file='plot2.png')
plot(arr.median,type='b',ylab='median',main='Median Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.median,0)
dev.off()
bitmap(file='plot3.png')
plot(arr.midrange,type='b',ylab='midrange',main='Midrange Plot',xlab='Periodic Index')
mtext(paste('#blocks = ',np))
abline(overall.midrange,0)
dev.off()
bitmap(file='plot4.png')
z <- data.frame(t(arr))
names(z) <- c(1:par1)
(boxplot(z,notch=TRUE,col='grey',xlab='Periodic Index',ylab='Value',main='Notched Box Plots - Periodic Subseries'))
dev.off()
bitmap(file='plot5.png')
z <- data.frame(arr)
names(z) <- c(1:np)
(boxplot(z,notch=TRUE,col='grey',xlab='Block Index',ylab='Value',main='Notched Box Plots - Sequential Blocks'))
dev.off()
bitmap(file='plot6.png')
z <- data.frame(cbind(arr.mean,arr.median,arr.midrange))
names(z) <- list('mean','median','midrange')
(boxplot(z,notch=TRUE,col='grey',ylab='Overall Central Tendency',main='Notched Box Plots'))
dev.off()