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 12:51:06 -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/t1228161119onwugfdmgju1ows.htm/, Retrieved Sun, 05 May 2024 12:00:41 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27272, Retrieved Sun, 05 May 2024 12:00:41 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact235

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 stationa...] [2008-11-30 23:29:17] [57850c80fd59ccfb28f882be994e814e]
F           [Law of Averages] [Q2] [2008-12-01 19:51:06] [e11d930c9e2984715c66c796cf63ef19] [Current]
Feedback Forum
2008-12-05 13:31:12 [Olivier Uyttendaele] [reply] 
De stippellijnen zijn inderdaad het betrouwbaarheidsinterval, maar met de kennis die we hebben brengt deze interperatie geen meerwaarde.

Om een iets concretere uitleg te geven aan het model;
Je kan zien dat alle autocorrelaties positief en significant zijn, er is dus voorspelbaarheid op basis van het verleden dat niet aan het toeval te wijten is.
Het patroon van deze autocorrelatie is zeer kenmerkend voor de lange termijn trend (LT trend in Q1 uitgelegd), het patroon is zeer eenvoudig te verklaren nl. het toepassen van de formule Yt = Yt-1 + et; Yt is de tijdreeks, et is de lange termijn trend. Elk punt heeft dus een basis is het vorige (autocorrelatie). Bij een zeer wispelturige grafiek zou er sprake zijn van negatieve autocorrelatie. De lange termijn trend kunnen we uit de tijdreeks halen door differentiatie.
2008-12-07 13:46:41 [Steven Hulsmans] [reply] 
Naarmate de lags stijgen, vertoond de autocorrelatiefunctie een dalend verloop. Dit is vrij logisch, want we verwachten dat het verschil tussen kop en munt 0 zal zijn (er was 50% kans op kop en 50% op munt.) Het kan niet anders dat er bij de eerste worp één van de 2 een voorsprong neemt, want de andere is nog niet gegooid. De lag is erg hog (100% meer als verwacht)

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'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 & 2 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=27272&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]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=27272&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27272&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'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 ; par3 = ; par4 = ; par5 = ; par6 = ; par7 = ; par8 = ; par9 = ; par10 = ; par11 = ; par12 = ; par13 = ; par14 = ; par15 = ; par16 = ; par17 = ; par18 = ; par19 = ; par20 = ;
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