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_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationSun, 09 Nov 2008 10:30:30 -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/09/t1226251930uz1og59kmfyv8i9.htm/, Retrieved Sun, 19 May 2024 10:09:42 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=22787, Retrieved Sun, 19 May 2024 10:09:42 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact140

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F       [Bivariate Kernel Density Estimation] [invoer - uitvoer] [2008-11-09 17:30:30] [54ae75b68e6a45c6d55fa4235827d5b3] [Current]
Feedback Forum
2008-11-15 10:45:10 [Tom Ardies] [reply] 
Er is eens sterke lineariteit tussen beide datasets. De correlatie is 0,94.... Dit kan je ook zien aan de hand van de grafiek. Alle punten liggen namelijk op of nabij de rechte. Er is een grote dichtheid van punten op tussen 13-14 invoer en 15-16 uitvoer.
2008-11-22 09:56:47 [Astrid Sniekers] [reply] 
Invoer – Uitvoer

Er is een sterk positieve verband/correlatie tussen de invoer en uitvoer op te merken. De correlatie is 0.944818925002131. Alle punten liggen dicht of op de rechte. Er is een grote dichtheid van punten tussen +/- 14 van invoer en +/- 15 van uitvoer.
2008-11-23 15:57:02 [Dorien Peeters] [reply] 
Indien we naar de correlatie kijken van de invoer en de uitvoer, kunnen we zien dat er een sterk verband is tussen deze 2.Je kan dit zien op de grafiek-> indien je kijkt naar de rechte dan zie je dat bijna alle punten dichtbij of zelfs op de grafiek liggen.Er is een grote dichtheid van punten op tussen 13-14 invoer en 15-16 uitvoer.
2008-11-24 19:07:20 [Liese Tormans] [reply] 
De Bivariate Density gaat met behulp van hoogtelijnen de punten van gelijkaardige observaties verbinden. De grafiek bestaat uit verschillende kleuren die intensiteit weergeven.
Een rode kleur geeft een sterke intensiteit weer terwijl de gele en groene kleur wijzen op een eerder zwakke correlatie.
Ook is het mogelijk om aan de hand van deze grafiek de clusters af te lezen.

Het voordeel hier is dat we meer info krijgen dan bij de scatter plot of gewone correlatie.
Want bij de andere grafieken is niet echt rekening gehouden met de invloed van de derde variabele.

Op deze grafiek is er duidelijk een sterk verband zichtbaar tussen de dataset invoer en uitvoer. Ook zien we dat er hier maar 1 cluster is. De correlatie is 0.94 we kunnen dus spreken van een zeer sterk positief verband. Dit is ook zichtbaar op de grafiek de punten liggen zeer dicht bij de rechte of zelfs erop. Ook is er een grote dichtheid merkbaar: 13-14 invoer en 15-16 uitvoer.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
15
14,9
16,8
14,3
15,5
15,6
14,6
12,5
14,8
15,9
14,8
12,9
14,3
14,2
15,9
15,3
15,5
15,1
15
12,1
15,8
16,9
15,1
13,7
14,8
14,7
16
15,4
15
15,5
15,1
11,7
16,3
16,7
15
14,9
14,6
15,3
17,9
16,4
15,4
17,9
15,9
13,9
17,8
17,9
17,4
16,7
16
16,6
19,1
17,8
17,2
18,6
16,3
15,1
19,2
17,7
19,1
18
17,5
17,8
21,1
17,2
19,4
19,8
17,6
16,2
19,5
19,9
20
17,3
Dataseries Y:
Download CSV
Histogram 
15,1
14,8
16,1
14,3
15,2
14,9
13,1
12,6
13,6
14,4
14
12,9
13,4
13,5
14,8
14,3
14,3
14
13,2
12,2
14,3
15,7
14,2
14,6
14,5
14,3
15,3
14,4
13,7
14,2
13,5
11,9
14,6
15,6
14,1
14,9
14,2
14,6
17,2
15,4
14,3
17,5
14,5
14,4
16,6
16,7
16,6
16,9
15,7
16,4
18,4
16,9
16,5
18,3
15,1
15,7
18,1
16,8
18,9
19
18,1
17,8
21,5
17,1
18,7
19
16,4
16,9
18,6
19,3
19,4
17,6

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'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22787&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]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=22787&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22787&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'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Bandwidth
x axis0.656937108158502
y axis0.637379794413632
Correlation
correlation used in KDE0.944818925002131
correlation(x,y)0.944818925002131

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 0.656937108158502 \tabularnewline
y axis & 0.637379794413632 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.944818925002131 \tabularnewline
correlation(x,y) & 0.944818925002131 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22787&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]0.656937108158502[/C][/ROW]
[ROW][C]y axis[/C][C]0.637379794413632[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.944818925002131[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.944818925002131[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=22787&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22787&T=1

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


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

Bandwidth
x axis0.656937108158502
y axis0.637379794413632
Correlation
correlation used in KDE0.944818925002131
correlation(x,y)0.944818925002131


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
R code (references can be found in the software module):
par1 <- as(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')