FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_babies.wasp
Title produced by softwareExercise 1.13
Date of computationThu, 09 Oct 2008 05:00:12 -0600
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/Oct/09/t1223551202fe16usx9xjzmn7k.htm/, Retrieved Tue, 28 May 2024 17:36:25 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=15068, Retrieved Tue, 28 May 2024 17:36:25 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact241

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
F     [Exercise 1.13] [Exercise 1.13 (Wo...] [2008-10-01 13:28:34] [b98453cac15ba1066b407e146608df68]
F         [Exercise 1.13] [1.13 parameter ti...] [2008-10-09 11:00:12] [d41d8cd98f00b204e9800998ecf8427e] [Current]
Feedback Forum
2008-10-15 14:45:54 [Kevin Truyts] [reply] 
Bij de eerste vraagstelling heeft de studente de vraag goed begrepen. Ze is dan ook tot de juiste conclusie gekomen om niets aan de vraag te veranderen en enkel het aantal dagen/trekkingen te vermeerderen. Ook de formulering van het antwoord is duidelijk.
Ook de tweede vraag werd juist beantwoord door het percentage van 60% naar 80% te veranderen. De enigste opmerking die ik zou kunnen maken, als het dan al een opmerking is, is dat de waarschijnlijkheid bij het kleine ziekenhuis nog correcter zou kunnen berekend worden wanneer er meerdere keren dit onderzoek zou plaatsvinden. Maar de studente komt toch al vrij dicht in de buurt.
Als derde vraag had de studente de vraag juist ontleed door op te merken dat er in de vraag minder dan 60% mannelijke geboorten gevraagd werd in plaats van meer dan.
Het is enkel een beetje fout gelopen door de verkeerde regels aan te passen.
Er werden namelijk 2 regels aangepast:
- dum1 <- paste(‘Probability of more than’, par4-100, sep= ‘ ’ ) EN
- dum1 <- paste(‘#Days per Year when more than’, part4*100, sep= ‘ ‘)
In beide regels werd more vervangen door less, maar het was de volgende regel die aangepast moest worden:
- if (as.matrix(table(bighospital[i,]))[2] > par4*par2) numsuccessbig = numsuccessbig + 1
Hier moest het >-teken vervangen worden door <. Alleen zo zou er een juiste berekening plaatsvinden.
In onderstaande link kan u deze berekening opnieuw vinden met aanpassing van de juist regel.
http://www.freestatistics.org/blog/date/2008/Oct/15/t1224081903tizkvkkwdzgbx5d.htm
2008-10-15 15:48:21 [Tamara Witters] [reply] 
Dit is een juiste berekening!
Bij deze vraag is de wet van de grote getallen van toepassing.
Concreet heeft de studente hier dus het aantal dagen aangepast (van 1 jaar naar 10 jaar) om zo de nauwkeurigheid te vergroten.
Ze heeft is echter wel vergeten de oorspronkelijke simulatie een aantal keer te reproduceren, waardoor ze zou hebben gemerkt dat de gegeven oplossing van de vraag niet accuraat is.
2008-10-15 16:36:21 [Romina Machiels] [reply] 
De eerste vraag heeft ze goed begrepen. Ze is dan ook tot de juiste conclusie gekomen nl. om niets aan de vraag te veranderen en enkel het aantal dagen te vermeerderen. Ook de formulering van het antwoord is duidelijk en uitgebreid zodat alles goed te begrijpen is.

Ook de tweede vraag heeft ze juist beantwoord door het percentage van 60% naar 80% te veranderen. Ze had wel beter de berekening enkele keren gemaakt want nu krijgt ze als percentage in het grote ziekenhuis 0. Als ze de berekening enkele keren zou uitvoeren zou dat percentage iets hoger komen te liggen. 0 is natuurlijk niet realistisch, ooit komt het wel eens voor dus om de 0 te vermijden de berekening meerdere keren uitvoeren. Het percentage wordt dan ook nauwkeuriger.

De derde vraag had ze ook juist begrepen door op te merken dat er in de vraag minder dan 60% mannelijke geboorten gevraagd werd in plaats van meer dan.
Ze heeft hier enkel de verkeerde regels aangepast. Ze had deze 2 regels aangepast:
 dum1 <- paste(‘Probability of more than’, par4-100, sep= ‘ ’ ) EN
dum1 <- paste(‘#Days per Year when more than’, part4*100, sep= ‘ ‘)
Telkens werd more vervangen door less.
Het was niet die regels die aangepast moesten worden maar deze
 if (as.matrix(table(bighospital[i,]))[2] > par4*par2) numsuccessbig = numsuccessbig + 1
Het >-teken moest vervangen worden door het <-teken. Zo werd het juiste oplossing verkregen.
2008-10-15 16:44:26 [Romina Machiels] [reply] 
De eerste vraag heeft ze goed begrepen. Ze is dan ook tot de juiste conclusie gekomen nl. om niets aan de vraag te veranderen en enkel het aantal dagen te vermeerderen. Ook de formulering van het antwoord is duidelijk en uitgebreid zodat alles goed te begrijpen is.

Ook de tweede vraag heeft ze juist beantwoord door het percentage van 60% naar 80% te veranderen. Ze had wel beter de berekening enkele keren gemaakt want nu krijgt ze als percentage in het grote ziekenhuis 0. Als ze de berekening enkele keren zou uitvoeren zou dat percentage iets hoger komen te liggen. 0 is natuurlijk niet realistisch, ooit komt het wel eens voor dus om de 0 te vermijden de berekening meerdere keren uitvoeren. Het percentage wordt dan ook nauwkeuriger.

De derde vraag had ze ook juist begrepen door op te merken dat er in de vraag minder dan 60% mannelijke geboorten gevraagd werd in plaats van meer dan.
Ze heeft hier enkel de verkeerde regels aangepast. Ze had deze 2 regels aangepast:
 dum1 <- paste(‘Probability of more than’, par4-100, sep= ‘ ’ ) EN
dum1 <- paste(‘#Days per Year when more than’, part4*100, sep= ‘ ‘)
Telkens werd more vervangen door less.
Het was niet die regels die aangepast moesten worden maar deze
 if (as.matrix(table(bighospital[i,]))[2] > par4*par2) numsuccessbig = numsuccessbig + 1
Het >-teken moest vervangen worden door het <-teken. Zo werd het juiste oplossing verkregen.
2008-10-16 10:44:59 [Tim Loyens] [reply] 
Deze vraag is correct beantwoord door deze student. Hij heeft het aantal dagen vertienvoudigd waardoor de wet van de grote getallen zorgt voor een nauwkeurigere berekening en een juister beeld geeft van de geschatte kansen.
2008-10-16 14:57:43 [Christophe Goddaert] [reply] 
Deze berekening is de oplossing van vraag 1 en 2.De student heeft beide vragen goed begrepen en heeft een duidelijk en uitgebreid antwoord geformuleerd. De verdere verklaringen over de interpretatie van de resultaten is hierboven al aangehaald (Verhoging van nauwkeurigheid door het aantal trekkingen te verhogen, dus par1 instellen op bv. 3650,Wet van de grote getallen).
2008-10-17 10:59:47 [Ine Coremans] [reply] 
De student heeft de parameter 'aantal dagen' juist aangepast van 365 naar 3650 dagen. De andere berekeningen waar de parameter is aangepast zijn echter niet terug te vinden, zodat de student eigenlijk de oplossing van de verandering in aantal dagen niet kan nakijken. Wel zegt ze dat de oplossingen nauwkeuriger zullen zijn in de periode van 10 jaar maar de linken naar deze berekeningen staan niet in het worddocument.
2008-10-17 15:02:15 [Evelien Blockx] [reply] 
Je kan best de gegeven probability van 16,438 een aantal keer reproduceren. Zo zie je dat de nauwkeurigheid toch niet zo groot is. De parameter van het aantal dagen heb je correct gewijzigd en je hebt erg goed geargumenteerd waarom je dat doet. Dit heb je een aantal keer gereproduceerd, maar hiervan kan je de links ook best opnemen in je document.
2008-10-17 15:39:21 [Tom Ardies] [reply] 
Ik kan akkoord gaan met de commentaren hierboven. Ik kan hierbij niets toevoegen.
2008-10-18 14:44:42 [Siem Van Opstal] [reply] 
de opdracht is goed begrepen en er zijn juiste berekeningen gemaakt. bij vraag 1 had de conclusie moeten zijn dat de uitkomsten niet nauwkeurig zijn. de student is daar al op verder gegaan door het aantal dagen te verhogen naar 10 jaar omdat je zo wel een juiste nauwkeurigheid bekomt. zo wordt ineens het antwoord op de volgende vraag gegeven.
2008-10-19 09:46:43 [Sofie Vanbrabant] [reply] 
2008-10-19 14:42:15 [Niels Stas] [reply] 
Zoals bovenstaand vermeld heeft de student de vraag correct beantwoord door enkel de periode te wijzigen naar 3650. Hierdoor beschikt men over meer gegevens, wat uitzonderingen beperkt en dus leidt tot een nauwkeuriger resultaat.
2008-10-19 16:03:12 [66991d38d6a4b2d9fe97b6c889f3689c] [reply] 
de student ziet dat de oplossing gegeven in vraag 1 niet accuraat is. vervolgens gaat zij verder met redeneren door een parameter te wijzigen.
zij ziet direct het probleem van deze opgave in.

ze had alleen de opgave eerst een paar keer moeten reproduceren. dit werd namelijk wel gevraagd in de opgave. hoewel dit er eigenlijk weinig toe doet daar de student het probleem zo goed begrijpt.
2008-10-20 15:04:32 [Kim De Vos] [reply] 
De student heeft de opdracht begrepen, zijn werkwijze is dan ook correct. Hij had de bewerking echter meerdere keren moeten uitvoeren om zo tot een afgelijnd resultaat te komen.
2008-10-20 17:01:11 [Evelyne Slegers] [reply] 
Deze berekening is juist. Het is inderdaad correct om enkel de parameter 'tijd' te wijzigen. Als je een aantal keer de simulatie herhaalt dan zal je merken dat het resultaat steeds anders is. Daarom had: 'Het resultaat ligt tussen bv. 16,4 en 18,4' een iets correcter antwoord geweest.
2008-10-20 17:59:44 [Martjin De Swert] [reply] 
Student zegt dat de oplossing bij benadering correct is. Dit vind ik vrij goed omschreven omdat bij reproductie ongeveer steeds hetzelfde getal wederkeert. Hij heeft de juiste factor verandert door het aantal dagen naar 3650 te verhogen (wet van de grote getallen de nauwkeurigheid te verhogen).
2008-10-20 21:38:49 [Jan Mols] [reply] 
De student heeft de opdracht goed begrepen en dus ook correct uitgevoerd. Zijn conclusie is juist alleen vind ik geen links van het aantal gereproduceerde berekingen zoals in zijn conclusie vermeld.

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 time9 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135

\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 & 9 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=15068&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]9 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=15068&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=15068&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 time9 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135






Exercise 1.13 p. 14 (Introduction to Probability, 2nd ed.)
Number of simulated days3650
Expected number of births in Large Hospital45
Expected number of births in Small Hospital15
Percentage of Male births per day(for which the probability is computed)0.6
#Females births in Large Hospital82118
#Males births in Large Hospital82132
#Female births in Small Hospital27161
#Male births in Small Hospital27589
Probability of more than 60 % of male births in Large Hospital0.075068493150685
Probability of more than 60 % of male births in Small Hospital0.157808219178082
#Days per Year when more than 60 % of male births occur in Large Hospital27.4
#Days per Year when more than 60 % of male births occur in Small Hospital57.6

\begin{tabular}{lllllllll}
\hline
Exercise 1.13 p. 14 (Introduction to Probability, 2nd ed.) \tabularnewline
Number of simulated days & 3650 \tabularnewline
Expected number of births in Large Hospital & 45 \tabularnewline
Expected number of births in Small Hospital & 15 \tabularnewline
Percentage of Male births per day(for which the probability is computed) & 0.6 \tabularnewline
#Females births in Large Hospital & 82118 \tabularnewline
#Males births in Large Hospital & 82132 \tabularnewline
#Female births in Small Hospital & 27161 \tabularnewline
#Male births in Small Hospital & 27589 \tabularnewline
Probability of more than 60 % of male births in Large Hospital & 0.075068493150685 \tabularnewline
Probability of more than 60 % of male births in Small Hospital & 0.157808219178082 \tabularnewline
#Days per Year when more than 60 % of male births occur in Large Hospital & 27.4 \tabularnewline
#Days per Year when more than 60 % of male births occur in Small Hospital & 57.6 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=15068&T=1

[TABLE]
[ROW][C]Exercise 1.13 p. 14 (Introduction to Probability, 2nd ed.)[/C][/ROW]
[ROW][C]Number of simulated days[/C][C]3650[/C][/ROW]
[ROW][C]Expected number of births in Large Hospital[/C][C]45[/C][/ROW]
[ROW][C]Expected number of births in Small Hospital[/C][C]15[/C][/ROW]
[ROW][C]Percentage of Male births per day(for which the probability is computed)[/C][C]0.6[/C][/ROW]
[ROW][C]#Females births in Large Hospital[/C][C]82118[/C][/ROW]
[ROW][C]#Males births in Large Hospital[/C][C]82132[/C][/ROW]
[ROW][C]#Female births in Small Hospital[/C][C]27161[/C][/ROW]
[ROW][C]#Male births in Small Hospital[/C][C]27589[/C][/ROW]
[ROW][C]Probability of more than 60 % of male births in Large Hospital[/C][C]0.075068493150685[/C][/ROW]
[C]Probability of more than 60 % of male births in Small Hospital[/C][C]0.157808219178082[/C][/ROW]
[ROW][C]#Days per Year when more than 60 % of male births occur in Large Hospital[/C][C]27.4[/C][/ROW]
[C]#Days per Year when more than 60 % of male births occur in Small Hospital[/C][C]57.6[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=15068&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=15068&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:

Exercise 1.13 p. 14 (Introduction to Probability, 2nd ed.)
Number of simulated days3650
Expected number of births in Large Hospital45
Expected number of births in Small Hospital15
Percentage of Male births per day(for which the probability is computed)0.6
#Females births in Large Hospital82118
#Males births in Large Hospital82132
#Female births in Small Hospital27161
#Male births in Small Hospital27589
Probability of more than 60 % of male births in Large Hospital0.075068493150685
Probability of more than 60 % of male births in Small Hospital0.157808219178082
#Days per Year when more than 60 % of male births occur in Large Hospital27.4
#Days per Year when more than 60 % of male births occur in Small Hospital57.6


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 3650 ; par2 = 45 ; par3 = 15 ; par4 = 0.6 ;
Parameters (R input):
par1 = 3650 ; par2 = 45 ; par3 = 15 ; par4 = 0.6 ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
par2 <- as.numeric(par2)
par3 <- as.numeric(par3)
par4 <- as.numeric(par4)
numsuccessbig <- 0
numsuccesssmall <- 0
bighospital <- array(NA,dim=c(par1,par2))
smallhospital <- array(NA,dim=c(par1,par3))
bigprob <- array(NA,dim=par1)
smallprob <- array(NA,dim=par1)
for (i in 1:par1) {
bighospital[i,] <- sample(c('F','M'),par2,replace=TRUE)
if (as.matrix(table(bighospital[i,]))[2] > par4*par2) numsuccessbig = numsuccessbig + 1
bigprob[i] <- numsuccessbig/i
smallhospital[i,] <- sample(c('F','M'),par3,replace=TRUE)
if (as.matrix(table(smallhospital[i,]))[2] > par4*par3) numsuccesssmall = numsuccesssmall + 1
smallprob[i] <- numsuccesssmall/i
}
tbig <- as.matrix(table(bighospital))
tsmall <- as.matrix(table(smallhospital))
tbig
tsmall
numsuccessbig/par1
bigprob[par1]
numsuccesssmall/par1
smallprob[par1]
numsuccessbig/par1*365
bigprob[par1]*365
numsuccesssmall/par1*365
smallprob[par1]*365
bitmap(file='test1.png')
plot(bigprob,col=2,main='Probability in Large Hospital',xlab='#simulated days',ylab='probability')
dev.off()
bitmap(file='test2.png')
plot(smallprob,col=2,main='Probability in Small Hospital',xlab='#simulated days',ylab='probability')
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Exercise 1.13 p. 14 (Introduction to Probability, 2nd ed.)',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Number of simulated days',header=TRUE)
a<-table.element(a,par1)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Expected number of births in Large Hospital',header=TRUE)
a<-table.element(a,par2)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Expected number of births in Small Hospital',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Percentage of Male births per day
(for which the probability is computed)',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'#Females births in Large Hospital',header=TRUE)
a<-table.element(a,tbig[1])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'#Males births in Large Hospital',header=TRUE)
a<-table.element(a,tbig[2])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'#Female births in Small Hospital',header=TRUE)
a<-table.element(a,tsmall[1])
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'#Male births in Small Hospital',header=TRUE)
a<-table.element(a,tsmall[2])
a<-table.row.end(a)
a<-table.row.start(a)
dum1 <- paste('Probability of more than', par4*100, sep=' ')
dum <- paste(dum1, '% of male births in Large Hospital', sep=' ')
a<-table.element(a, dum, header=TRUE)
a<-table.element(a, bigprob[par1])
a<-table.row.end(a)
dum <- paste(dum1, '% of male births in Small Hospital', sep=' ')
a<-table.element(a, dum, header=TRUE)
a<-table.element(a, smallprob[par1])
a<-table.row.end(a)
a<-table.row.start(a)
dum1 <- paste('#Days per Year when more than', par4*100, sep=' ')
dum <- paste(dum1, '% of male births occur in Large Hospital', sep=' ')
a<-table.element(a, dum, header=TRUE)
a<-table.element(a, bigprob[par1]*365)
a<-table.row.end(a)
dum <- paste(dum1, '% of male births occur in Small Hospital', sep=' ')
a<-table.element(a, dum, header=TRUE)
a<-table.element(a, smallprob[par1]*365)
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')