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 computationMon, 01 Dec 2008 10:24:55 -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/Dec/01/t12281523235w8cxvdgogwparp.htm/, Retrieved Sun, 05 May 2024 09:53:02 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27022, Retrieved Sun, 05 May 2024 09:53:02 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact216

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 / 7] [2008-11-30 17:02:49] [4300be8b33fd3dcdacd2aa9800ceba23]
F           [Law of Averages] [q2 taak 7] [2008-12-01 17:24:55] [732c025e7dfb439ac3d0c7b7e70fa7a1] [Current]
Feedback Forum
2008-12-07 09:52:11 [Kim Huysmans] [reply] 
We zien duidelijk dat de sterke autocorrelatie licht afneemt. Autocorrelatie geeft een verband weer tussen ‘een bepaalde data’ en ‘een voorafgaande data’. We gebruiken nog steeds de formule : ( y(t) = y(t-1) + e(t)) en merken op dat de random-walk gebaseerd is op het gebruik van ‘een voorafgaande data’ + een random factor om de niewe data te berekenen. Hieruit volgt dat de nieuwe data een sterk verband toont met de voorafgaande data met een verschil van e(t).
2008-12-08 01:22:57 [Gregory Van Overmeiren] [reply] 
Als we de grafiek van de autocorrelation bestuderen, zien we dat alle autocorrelaties positief en significant zijn, omdat ze buiten het betrouwbaarheidsinterval liggen (De stippelijnen zijn het betrouwbaarheidsinterval). Er is dus voorspelbaarheid op basis van het verleden dat niet aan het toeval te wijten is.
We zien ook een neerwaartse lange termijn trend in de grafiek. Het patroon in deze grafiek is zeer eenvoudig te verklaren door de formule Yt = Yt-1 + et. Yt is de tijdreeks, et is de lange termijn trend. Elk punt heeft dus een basis in het vorige (autocorrelatie).
De gevonden lange termijn trend kunnen we uit de tijdreeksen halen door differentiatie.
2008-12-08 10:15:58 [Elias Van Deun] [reply] 
We merken hier op dat alle autocorrelaties zowel positief en als significant zijn. Dit komt omdat de random walk telkens rekening houdt met de vorige waarde. Dit patroon is het kenmerk van een lange termijn trend.

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'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 & 1 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27022&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27022&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27022&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'Gwilym Jenkins' @ 72.249.127.135


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