FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_rwalk.wasp
Title produced by softwareLaw of Averages
Date of computationSun, 30 Nov 2008 10:37:58 -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/t1228066738yo1m2pk8i28wq47.htm/, Retrieved Mon, 20 May 2024 07:12:13 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=26636, Retrieved Mon, 20 May 2024 07:12:13 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact165

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 R       [Law of Averages] [Non-stationary ti...] [2008-11-30 17:37:58] [d41d8cd98f00b204e9800998ecf8427e] [Current]
Feedback Forum
2008-12-04 10:33:48 [Steven Vercammen] [reply] 
Deze vraag heb ik correct beantwoord. 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 09:34:23 [Käthe Vanderheggen] [reply] 
De student legt de autocorrelatiegrafiek onvoldoende uit:
In de autocorrelatie is schijnbaar een trend te zien. De autocorrelatie is positief, we zien een geleidelijke afname (wanneer de vorige waarde groot was, zal de volgende dit ook zijn). De autocorrelatie is significant verschillend van nul, ze valt overal buiten het 95% betrouwbaarheidsinterval (blauwe stippellijnen).

De student legt niet uit wat een stochastische lange termijn trend is:
Stochastisch is het tegenovergestelde van deterministisch en betekent dat de trend kan veranderen (het hoeft dus niet lineair stijgend of dalend te zijn).
Een trend op lange termijn zorgt ervoor dat het gemiddelde (langzaam) wijzigt.
2008-12-08 18:58:54 [Koen Van Baelen] [reply] 
Q2: Deze vraag werd tamelijk goed beantwoord. Wanneer we de Autocorrelatiefunctie van de Random-Walk simulatie bekijken kunnen we vaststellen dat alle autocorrelaties significant verschillend zijn van 0 (liggen allemaal buiten 95% betrouwbaarheidsinterval), dat het allemaal positieve getallen zijn (positieve autocorrelatie dus) en dat er zich een dalende trend voordoet. Voor een duidelijkere uitleg kunnen we weer terug vallen op het voorbeeld met de beurskoers. De positieve autocorrelatie vertelt ons dat als, toegepast op beurskoersen, de vorige beurskoers hoog was, de kans groot is dat de volgende ook groot gaat zijn. Ook als de vorige beurskoers laag was, is de kans bijgevolg groot dat de volgende ook laag gaat zijn. Zoals een andere student al heeft gecorrigeerd, is een stochastische trend inderdaad een trend op lange termijn die ervoor zorgt dat het gemiddelde (langzaam) wijzigt.

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=26636&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=26636&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=26636&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


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