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_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationSat, 29 Nov 2008 07:16:04 -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/29/t1227968254zy0rrnztb8opgmd.htm/, Retrieved Sun, 19 May 2024 07:56:45 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26292, Retrieved Sun, 19 May 2024 07:56:45 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact183

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] [Q2 Workshop 4] [2008-11-29 14:16:04] [56fd94b954e08a6655cb7790b21ee404] [Current]
Feedback Forum
2008-12-06 14:37:42 [Ken Wright] [reply] 
goed besluit, je kon hier ook nog verwijzen naar de vorige grafiek van excess of heads.In de grafiek met excess of head doet er zich duidelijk een langzaam dalende trend voor.
Bij deze grafiek kan je aflezen dat de koers altijd eventjes op het zelfde niveau blijft en dan terug weer stijgt of zakt en dan weer op het zelfde niveau. Dus hieraan kan je zien dat je een voorspelling kan maken, dus als je een moment x hebt dan zal waarschijnlijk X t+1 ongeveer het zelfde niveau hebben als X. Dus men kan voorspellen op basis van het verleden. Dit kan je ook afleiden uit de formule van de random-walk: Yt=Yt-1 + Et , dus als Yt-1 hoog is, dan zal Yt ook hoog zijn.
Bij de ACF grafiek kan men dus besluiten dat er een positiefe autocorrelatie aanwezig is in de tijdreeks, men kan voorspellen op basis van het verleden.
2008-12-08 15:51:38 [Birgit Van Dyck] [reply] 
De student geeft een correcte interpretatie. De stippellijn op de autocorrelatiegrafiek stel het betrouwbaarheidsinterval van 95% voor. Je kan duidelijk zien dat alle autocorrelaties buiten deze lijn vallen, ze zijn dus significant verschillend van nul. Het is dus geen toeval. Het langzaam dalend patroon is typisch voor een stochastische trend op lange termijn.

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 time2 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24

\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 & 2 seconds \tabularnewline
R Server & 'Sir Ronald Aylmer Fisher' @ 193.190.124.24 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=26292&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]2 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Sir Ronald Aylmer Fisher' @ 193.190.124.24[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=26292&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26292&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 time2 seconds
R Server'Sir Ronald Aylmer Fisher' @ 193.190.124.24


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