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 computationSun, 30 Nov 2008 08:39:32 -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/30/t12280596014gbd8mur4vtz37a.htm/, Retrieved Sun, 19 May 2024 10:44:44 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26565, Retrieved Sun, 19 May 2024 10:44:44 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsgdm
Estimated Impact168

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] [WS7 Task 2] [2008-11-30 15:39:32] [99f79d508deef838ee89a56fb32f134e] [Current]
Feedback Forum
2008-12-04 09:22:43 [72e979bcc364082694890d2eccc1a66f] [reply] 
Na het reproduceren merk je inderdaad dat er nog steeds een langzaam dalend patroon is van positieve correlaties. Dit kan niet toevallig zijn. Als je dit een aantal keren reproduceerd, zal je telkens tot hetzelfde resultaat komen.
Positieve correlaties wijzen erop dat een hoge beurskoers zal opgevolgd worden door een hoge en een lage beurskoers door een lage.
2008-12-04 21:09:20 [Bert Moons] [reply] 
Deze autocorrelatie geeft niet de kans weer dat het ene(kop) of het andere (munt) wordt bekomen. Maar wel (zoals het eerste deel aangehaald) de mate waarin de waarde kan voorspeld worden aan de hand van voorgaande momenten. Hoe verder men naar rechts gaat op de grafiek hoe groter de “lag” wordt of m.a.w. hoe verder men in de tijd terug gaat om de correlatie met voorgaande momenten te onderzoeken.
Het dalend patroon treed op omdat de relatieve invloed van 1 extra worp op het “teveel” aan kopworpen gering is. Men kan er dus van uitgaan dat, als de voorgaande waarde laag was, de volgende waarde eveneens laag zal zijn.

2008-12-06 15:46:11 [Bénédicte Soens] [reply] 
Hier wordt er gekeken naar de autocorrelatie. Bij 2 opeenvolgende punten kijken we naar info van het vorige voor het volgende. Als het vorige punt (beurskoers) zeer hoog is dan zal het volgende ook hoog zijn, als het vorige punt laag is, zal het volgende ook laag zijn. Dit wijst op correlatie. Aangezien we hier een langzame evolutie hebben van niveau van de tijdsreeks kunnen we spreken van een positieve autocorrelatie. (Indien heel snelle opeenvolgende hoogtes en laagtes, dan negatieve autocorrelatie, is hier niet van toepassing).
In de grafiek van de ACF kunnen we ook de blauwe stippenlijn opmerken, deze geeft het 95% betrouwbaarheidsinterval weer. Alle lijnen van de autocorr. liggen erbuiten, dus zijn ze significant verschillend van 0 en dus niet aan toeval toe te wijzen.
Dit is een typisch patroon van stochastische trend op lange termijn en dit kan verwijdert worden door te differentiëren.
2008-12-07 12:12:43 [Lana Van Wesemael] [reply] 
goed opgelost, hier kan ik nog aan toevoegen dat de blauwe stippellijnen het 95% betrouwbaarheidsinterval voorstellen. Deze worden altijd overschreden dus is het significant verschillend van nul en niet aan het toeval toe te schrijven.
2008-12-07 17:18:02 [Samira Zeroual] [reply] 
Wat er gezegd is, is correct maar er kan wat extra informatie bij. De metingen beïnvloeden elkaar omdat als er bij 2 opeenvolgende meetresultaten de vorige heel hoog gelegen is, zal de volgende ook heel hoog zijn en omgekeerd geldt ook. Hier is er dan sprake van een positieve Autocorrelatie. Als het een zeer wispelturig verloop zou hebben zal het een negatieve autocorrelatie hebben.

Op het autocorrelatieplot zie je dat alles buiten het betrouwbaarheidsinterval van 95% gelegen is en dus de worpen significant verschillen van elkaar.

Door te differentiëren kunnen we dit model optimaliseren. Als resultaat hiervan zullen op het autocorrelatieplot de resultaten dan ook binnen het betrouwbaarheidsinterval liggen
2008-12-07 21:32:36 [Ellen Van den Broeck] [reply] 
Er is schijnbaar een negatieve trend.
Dit patroon is geen toeval. Alle autocorrelaties zijn significant verschillend van nul want ze liggen boven de blauwe stippellijn. Er is een positieve autocorrelatie, dit komt doordat het of te wel gedurende een lange periode hoog of laag is.
2008-12-08 14:18:12 [58d427c57bd46519a715a3a7fea6a80f] [reply] 
We zien dat de staafjes bij de autocorrelatie eerst heel hoog is en dan heel laag. Langzame evolutie wijst op een positieve autocorrelatie, in geval van schommelingen negatieve autocorrelatie. De correlaties zijn geen toeval daar alle correlaties singnificant verschillen van 0.
2008-12-09 13:35:06 [Jules De Bruycker] [reply] 
Eerst werd de grafiek law of averages besproken. Hier werd vermeld dat de eerste grafiek een schijnbaar positieve trend geeft. Bovendien werd ook vermeld dat als ik twee opeenvolgende punten bekijk (bijvoorbeeeld 100 en 101) men duidelijk ziet dat de vorige meetuitslag hoog was en dat de volgende ook hoog is. Bovendien heb ik een grote kans dat als mijn vorige meetuitslag laag was dat mijn volgende meetuitslag ook laag is. Er is dus sprake van een positieve autocorrelatie. Dit komt doordat het niveau van de tijdreeks hier langzaam evolueert.

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=26565&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=26565&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26565&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