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 02:55:50 -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/t1227952595746qwlu5er6eyya.htm/, Retrieved Sun, 19 May 2024 11:10:15 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26182, Retrieved Sun, 19 May 2024 11:10:15 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsjulie govaerts
Estimated Impact214

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 non stationary...] [2008-11-29 09:55:50] [ff1af8c6f1c2f1c0e8def9bfc9355be9] [Current]
Feedback Forum
2008-12-06 13:31:59 [Thomas Plasschaert] [reply] 
Er doet zich duidelijk een langzaam dalende trend voor in de Excess of heads grafiek. Alle autocorrelaties zijn positief en significant (er is voorspelbaarheid op basis van het verleden die niet aan het toeval te wijten is). Er is een duidelijk verband tussen de twee. Wanneer er een langzame evolutie is van het niveau is er sprake van autocorrelatie. Bij een zeer wispelturige grafiek zou er sprake zijn van negatieve autocorrelatie. Een autocorrelation plot als deze is typisch voor een stochastische lange termijn trend. We kunnen deze trend echter verwijderen uit de data door differentiatie
2008-12-07 11:55:39 [Jolien Van Landeghem] [reply] 
Er is inderdaad een dalend verloop in de autocorrelatie en deze wijst op een niet stationaire tijdreeks. Het is, zoals de student zei, een positieve tijdreeks : als de vorige waarde positief is, is de huidige waarde dit ook. Je ziet dat de streepjes bovenuit het betrouwbaarheidsinterval komen, wat erop wijst dat ze significant verschillend zijn en het model bijgevolg niet aan het toeval is te wijten. Er is sprake van een stochastische trend. De trend is dus niet deterministisch : er is een voortdurende verandering in het opgooien van kop of munt.

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=26182&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=26182&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26182&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