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 08:43:48 -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/t1228059892cnwovmy8o3lcobt.htm/, Retrieved Mon, 20 May 2024 10:33:49 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26570, Retrieved Mon, 20 May 2024 10:33:49 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsgdm
Estimated Impact207

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 18:31:28] [b98453cac15ba1066b407e146608df68]
F         [Law of Averages] [WS7 Task 3] [2008-11-30 15:43:48] [99f79d508deef838ee89a56fb32f134e] [Current]
Feedback Forum
2008-12-04 09:25:09 [72e979bcc364082694890d2eccc1a66f] [reply] 
De student heeft ook deze vraag correct beantwoord en beargumenteerd.
2008-12-04 21:23:53 [Bert Moons] [reply] 
De juiste conclusie en argumentatie werd gebruikt. Men moet inderdaad de oplossing die de kleinste variatie oplevert kiezen. De kleine variatie wijst op stationairiteit.
2008-12-04 22:03:23 [Bert Moons] [reply] 
De juiste conclusie en argumentatie werd gebruikt. Men moet inderdaad de oplossing die de kleinste variatie oplevert kiezen. De kleine variatie wijst op stationairiteit.
2008-12-06 15:50:18 [Bénédicte Soens] [reply] 
Deze vraag werd volledig juist beantwoord, ook met een goede uitleg voor de getrimde variantie.
2008-12-07 12:06:33 [Lana Van Wesemael] [reply] 
goed uitgewerkt! De d stelt het aantal keer voor dat men differentieert, hierdoor probeert men de lange termijn trend uit een reeks te halen. De D stelt het aantal keer voor dat men seizoenaal differentieert via deze transformatie probeert men de seizoenaliteit uit de reeks te filteren. Deze differentiaties worden toegepast om de tijdreeks stationair te maken.
2008-12-07 17:19:15 [Samira Zeroual] [reply] 
Akkoord met wat er gezegd werd, maar er kan wat meer uitleg bij. D en d tonen aan hoeveel maal je moet differentiëren in dit geval is het 1keer dit werd ook gezegd. d wordt gebruikt om de algemene trend eruit te halen en aan de hand van D gaan we de spreiding reduceren. Het is inderdaad zo hoe kleiner de variantie hoe beter het model. Dit doen we door de impact van de seizoenaliteit weg te werken en zo komen we tot een stationaire verdeling.
2008-12-07 21:34:33 [Ellen Van den Broeck] [reply] 
Goed geantwoord.
2008-12-08 14:19:36 [58d427c57bd46519a715a3a7fea6a80f] [reply] 
Bij deze opdracht maken we gebruik van variance reduction matrix. Dit wil zeggen dat we nagaan welke differentiatie er nodig is om de tijdreeks stationair te maken. We moeten kijken wanneer de variantie het kleinst is, dit is normaal gezien het geval bij d=0 en D=1 d.w.z dat we 1 keer seizonaal differentieren over D. Bij dit:d = 1 en D = 0is de variantie ook het kleinst deze wilt zeggen de tijdreeks 1 keer te differentiëren en niet seizoenaal te differentiëren.
2008-12-09 13:37:30 [Jules De Bruycker] [reply] 
Dit is correct.

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=26570&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=26570&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26570&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






Variance Reduction Matrix
V(Y[t],d=0,D=0)37.6163687374750Range27Trim Var.23.3939703153989
V(Y[t],d=1,D=0)1.00132795711906Range2Trim Var.NA
V(Y[t],d=2,D=0)2.10058746050601Range4Trim Var.0
V(Y[t],d=3,D=0)6.37901603167391Range8Trim Var.2.75174851930641
V(Y[t],d=0,D=1)11.4868549500118Range18Trim Var.6.34976528464162
V(Y[t],d=1,D=1)1.95878013537151Range4Trim Var.0
V(Y[t],d=2,D=1)4.13194179288108Range8Trim Var.2.57908603024882
V(Y[t],d=3,D=1)12.5454545454545Range16Trim Var.7.4918283781378
V(Y[t],d=0,D=2)20.2686068111455Range24Trim Var.12.3593828778865
V(Y[t],d=1,D=2)5.76369531423495Range8Trim Var.2.65946108685835
V(Y[t],d=2,D=2)12.2114164904863Range16Trim Var.7.6633217782643
V(Y[t],d=3,D=2)37.0591607840327Range28Trim Var.25.0704651217726

\begin{tabular}{lllllllll}
\hline
Variance Reduction Matrix \tabularnewline
V(Y[t],d=0,D=0) & 37.6163687374750 & Range & 27 & Trim Var. & 23.3939703153989 \tabularnewline
V(Y[t],d=1,D=0) & 1.00132795711906 & Range & 2 & Trim Var. & NA \tabularnewline
V(Y[t],d=2,D=0) & 2.10058746050601 & Range & 4 & Trim Var. & 0 \tabularnewline
V(Y[t],d=3,D=0) & 6.37901603167391 & Range & 8 & Trim Var. & 2.75174851930641 \tabularnewline
V(Y[t],d=0,D=1) & 11.4868549500118 & Range & 18 & Trim Var. & 6.34976528464162 \tabularnewline
V(Y[t],d=1,D=1) & 1.95878013537151 & Range & 4 & Trim Var. & 0 \tabularnewline
V(Y[t],d=2,D=1) & 4.13194179288108 & Range & 8 & Trim Var. & 2.57908603024882 \tabularnewline
V(Y[t],d=3,D=1) & 12.5454545454545 & Range & 16 & Trim Var. & 7.4918283781378 \tabularnewline
V(Y[t],d=0,D=2) & 20.2686068111455 & Range & 24 & Trim Var. & 12.3593828778865 \tabularnewline
V(Y[t],d=1,D=2) & 5.76369531423495 & Range & 8 & Trim Var. & 2.65946108685835 \tabularnewline
V(Y[t],d=2,D=2) & 12.2114164904863 & Range & 16 & Trim Var. & 7.6633217782643 \tabularnewline
V(Y[t],d=3,D=2) & 37.0591607840327 & Range & 28 & Trim Var. & 25.0704651217726 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=26570&T=1

[TABLE]
[ROW][C]Variance Reduction Matrix[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=0)[/C][C]37.6163687374750[/C][C]Range[/C][C]27[/C][C]Trim Var.[/C][C]23.3939703153989[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=0)[/C][C]1.00132795711906[/C][C]Range[/C][C]2[/C][C]Trim Var.[/C][C]NA[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=0)[/C][C]2.10058746050601[/C][C]Range[/C][C]4[/C][C]Trim Var.[/C][C]0[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=0)[/C][C]6.37901603167391[/C][C]Range[/C][C]8[/C][C]Trim Var.[/C][C]2.75174851930641[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=1)[/C][C]11.4868549500118[/C][C]Range[/C][C]18[/C][C]Trim Var.[/C][C]6.34976528464162[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=1)[/C][C]1.95878013537151[/C][C]Range[/C][C]4[/C][C]Trim Var.[/C][C]0[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=1)[/C][C]4.13194179288108[/C][C]Range[/C][C]8[/C][C]Trim Var.[/C][C]2.57908603024882[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=1)[/C][C]12.5454545454545[/C][C]Range[/C][C]16[/C][C]Trim Var.[/C][C]7.4918283781378[/C][/ROW]
[ROW][C]V(Y[t],d=0,D=2)[/C][C]20.2686068111455[/C][C]Range[/C][C]24[/C][C]Trim Var.[/C][C]12.3593828778865[/C][/ROW]
[ROW][C]V(Y[t],d=1,D=2)[/C][C]5.76369531423495[/C][C]Range[/C][C]8[/C][C]Trim Var.[/C][C]2.65946108685835[/C][/ROW]
[ROW][C]V(Y[t],d=2,D=2)[/C][C]12.2114164904863[/C][C]Range[/C][C]16[/C][C]Trim Var.[/C][C]7.6633217782643[/C][/ROW]
[ROW][C]V(Y[t],d=3,D=2)[/C][C]37.0591607840327[/C][C]Range[/C][C]28[/C][C]Trim Var.[/C][C]25.0704651217726[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=26570&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26570&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:

Variance Reduction Matrix
V(Y[t],d=0,D=0)37.6163687374750Range27Trim Var.23.3939703153989
V(Y[t],d=1,D=0)1.00132795711906Range2Trim Var.NA
V(Y[t],d=2,D=0)2.10058746050601Range4Trim Var.0
V(Y[t],d=3,D=0)6.37901603167391Range8Trim Var.2.75174851930641
V(Y[t],d=0,D=1)11.4868549500118Range18Trim Var.6.34976528464162
V(Y[t],d=1,D=1)1.95878013537151Range4Trim Var.0
V(Y[t],d=2,D=1)4.13194179288108Range8Trim Var.2.57908603024882
V(Y[t],d=3,D=1)12.5454545454545Range16Trim Var.7.4918283781378
V(Y[t],d=0,D=2)20.2686068111455Range24Trim Var.12.3593828778865
V(Y[t],d=1,D=2)5.76369531423495Range8Trim Var.2.65946108685835
V(Y[t],d=2,D=2)12.2114164904863Range16Trim Var.7.6633217782643
V(Y[t],d=3,D=2)37.0591607840327Range28Trim Var.25.0704651217726


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
par1 <- as.numeric(12)
x <- as.array(b)
n <- length(x)
sx <- sort(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Variance Reduction Matrix',6,TRUE)
a<-table.row.end(a)
for (bigd in 0:2) {
for (smalld in 0:3) {
mylabel <- 'V(Y[t],d='
mylabel <- paste(mylabel,as.character(smalld),sep='')
mylabel <- paste(mylabel,',D=',sep='')
mylabel <- paste(mylabel,as.character(bigd),sep='')
mylabel <- paste(mylabel,')',sep='')
a<-table.row.start(a)
a<-table.element(a,mylabel,header=TRUE)
myx <- x
if (smalld > 0) myx <- diff(x,lag=1,differences=smalld)
if (bigd > 0) myx <- diff(myx,lag=par1,differences=bigd)
a<-table.element(a,var(myx))
a<-table.element(a,'Range',header=TRUE)
a<-table.element(a,max(myx)-min(myx))
a<-table.element(a,'Trim Var.',header=TRUE)
smyx <- sort(myx)
sn <- length(smyx)
a<-table.element(a,var(smyx[smyx>quantile(smyx,0.05) & smyxa<-table.row.end(a)
}
}
a<-table.end(a)
table.save(a,file='mytable.tab')