Free Statistics

of Irreproducible Research!

Author's title

Author*The author of this computation has been verified*
R Software Modulerwasp_histogram.wasp
Title produced by softwareHistogram
Date of computationSun, 03 Oct 2010 17:23:41 +0000
Cite this page as followsStatistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?v=date/2010/Oct/03/t1286126599xxo20bgrmfq5dz3.htm/, Retrieved Fri, 03 May 2024 11:14:56 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=80361, Retrieved Fri, 03 May 2024 11:14:56 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact110
Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
-     [Histogram] [Bad example of Hi...] [2010-09-25 09:28:23] [b98453cac15ba1066b407e146608df68]
F    D    [Histogram] [Task 3: Histogram...] [2010-10-03 17:23:41] [b4ba846736d082ffaee409a197f454c7] [Current]
Feedback Forum
2010-10-08 09:01:37 [2367ef1b461dcf270178cda4b96c6ab3] [reply
wederom is hier is mis gegaan bij het verwerken van de data.

volgend bewerking diende gedaan te worden:

* data uit excel halen
* data in veld plaatsen
* number of bins veranderen naar 30
* re-compute drukken

dan zul je zien dat de normale tijd die nodig is 250 seconden bedraagt.
2010-10-08 13:01:33 [7d66e2e510b144c68ca0882fd178e17c] [reply
De stappen om oplossing 1 te bekomen zijn hierboven correct uitgelegd. Hier is nog bijkomende uitleg:

Door het vergroten van de intervallen tot 30 kunnen we preciezer zien wat de normale tijd is. We kunnen zien dat het interval [200, 300[ de hoogste frequentie heeft, namelijk 54. We kunnen besluiten dat de normale tijd die nodig is om de enquête te vervullen 250 seconden (midpoint) bedraagt.

Hyperlink oplossing 1:http://www.freestatistics.org/blog/index.php?v=date/2010/Oct/02/t1286015497pvxe0pmg6w2f124.htm/

Oplossing 2 werd niet(correct)uitgevoerd. We kunnen in de frequentietabel zien dat er uitschieters aanwezig zijn. Deze uitschieters beïnvloeden echter het resultaat en daarom is het nodig deze uitschieters te verwijderen. We kunnen dit doen aan de hand van het invoeren van de code x<-x[x<700[ in 'R Code' of door manueel de uitschieters te verwijderen uit de gegevensverzameling / data. Deze methode laat blijken dat de normale tijd voor het vervullen van de enquête 210 seconden bedraagt. Dit kunnen we vaststellen aan het interval [200,220[ die de hoogste frequentie heeft, namelijk 16 seconden (midpoint).

De link van oplossing 2 vind je hieronder:

http://www.freestatistics.org/blog/index.php?v=date/2010/Oct/07/t128644997750zx1oon6cvxhz2.htm/
2010-10-08 13:12:09 [7d66e2e510b144c68ca0882fd178e17c] [reply
De stappen om oplossing 1 te bekomen zijn hierboven correct uitgelegd. Hier is nog bijkomende uitleg:

Door het vergroten van de intervallen tot 30 kunnen we preciezer zien wat de normale tijd is. We kunnen zien dat het interval [200, 300[ de hoogste frequentie heeft, namelijk 54. We kunnen besluiten dat de normale tijd die nodig is om de enquête te vervullen 250 seconden (midpoint) bedraagt.

Hyperlink oplossing 1:http://www.freestatistics.org/blog/index.php?v=date/2010/Oct/02/t1286015497pvxe0pmg6w2f124.htm/

Oplossing 2 werd niet(correct)uitgevoerd. We kunnen in de frequentietabel zien dat er uitschieters aanwezig zijn. Deze uitschieters beïnvloeden echter het resultaat en daarom is het nodig deze uitschieters te verwijderen. We kunnen dit doen aan de hand van het invoeren van de code x<-x[x<700[ in 'R Code' of door manueel de uitschieters te verwijderen uit de gegevensverzameling / data. Deze methode laat blijken dat de normale tijd voor het vervullen van de enquête 210 seconden bedraagt. Dit kunnen we vaststellen aan het interval [200,220[ die de hoogste frequentie heeft, namelijk 16 seconden (midpoint).

De link van oplossing 2 vind je hieronder:

http://www.freestatistics.org/blog/index.php?v=date/2010/Oct/07/t128644997750zx1oon6cvxhz2.htm/
2010-10-12 18:37:13 [Keris Van Engeland] [reply
Ik zie bij deze oefening geen oplossing. De bedoeling was om de extreme waarde te verwijderen. Dit kon je doen door het toevoegen van deze code: x <- x[x<700] . Je kan dit resultaat ook bereiken door de gegevens manueel te verwijderen, maar dit neemt meer tijd in.

Post a new message
Dataseries X:
103.898
109.215
131.812
136.452
136.813
140.321
150.034
156.187
158.047
169.861
171.328
180.818
183.186
183.613
184.641
187.881
190.157
190.379
191.835
192.797
193.299
197.549
198.296
199.297
199.746
200.156
203.077
204.386
206.771
206.893
207.533
208.108
211.655
213.361
213.511
213.923
216.046
216.548
216.886
217.465
218.761
220.553
221.588
223.166
226.731
229.641
232.444
232.669
235.577
236.302
238.502
240.755
241.171
242.205
242.344
246.542
249.148
250.407
251.422
257.102
257.567
260.642
261.596
262.517
262.875
263.906
265.777
266.793
274.482
275.562
278.741
287.069
289.714
293.671
295.281
308.174
308.532
313.906
315.955
330.563
348.821
350.089
356.725
366.936
380.155
380.531
383.703
386.688
401.422
401.915
403.064
403.556
406.167
421.403
426.113
435.956
438.555
441.437
449.594
475.834
506.652
556.277
601.162
611.281
645.285
653.641
662.883
699.645
947.293
1.030.944
1.305.923
137.55
171.26
236.71
239.89
252.64
259.7
308.16
324.04
388.3
392.25
440.31
694.87
756.46





Summary of computational transaction
Raw Inputview raw input (R code)
Raw Outputview raw output of R engine
Computing time0 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135
R Framework error message
Warning: there are blank lines in the 'Data' field.
Please, use NA for missing data - blank lines are simply
 deleted and are NOT treated as missing values.

\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 & 0 seconds \tabularnewline
R Server & 'Gwilym Jenkins' @ 72.249.127.135 \tabularnewline
R Framework error message & 
Warning: there are blank lines in the 'Data' field.
Please, use NA for missing data - blank lines are simply
 deleted and are NOT treated as missing values.
\tabularnewline \hline \end{tabular} %Source: https://freestatistics.org/blog/index.php?pk=80361&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]0 seconds[/C][/ROW]
[ROW][C]R Server[/C][C]'Gwilym Jenkins' @ 72.249.127.135[/C][/ROW]
[ROW][C]R Framework error message[/C][C]
Warning: there are blank lines in the 'Data' field.
Please, use NA for missing data - blank lines are simply
 deleted and are NOT treated as missing values.
[/C][/ROW] [/TABLE] Source: https://freestatistics.org/blog/index.php?pk=80361&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=80361&T=0

As an alternative you can also use a 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 time0 seconds
R Server'Gwilym Jenkins' @ 72.249.127.135
R Framework error message
Warning: there are blank lines in the 'Data' field.
Please, use NA for missing data - blank lines are simply
 deleted and are NOT treated as missing values.



Parameters (Session):
par2 = grey ; par3 = FALSE ; par4 = Unknown ;
Parameters (R input):
par1 = ; par2 = grey ; par3 = FALSE ; par4 = Unknown ;
R code (references can be found in the software module):
par1 <- as.numeric(par1)
if (par3 == 'TRUE') par3 <- TRUE
if (par3 == 'FALSE') par3 <- FALSE
if (par4 == 'Unknown') par1 <- as.numeric(par1)
if (par4 == 'Interval/Ratio') par1 <- as.numeric(par1)
if (par4 == '3-point Likert') par1 <- c(1:3 - 0.5, 3.5)
if (par4 == '4-point Likert') par1 <- c(1:4 - 0.5, 4.5)
if (par4 == '5-point Likert') par1 <- c(1:5 - 0.5, 5.5)
if (par4 == '6-point Likert') par1 <- c(1:6 - 0.5, 6.5)
if (par4 == '7-point Likert') par1 <- c(1:7 - 0.5, 7.5)
if (par4 == '8-point Likert') par1 <- c(1:8 - 0.5, 8.5)
if (par4 == '9-point Likert') par1 <- c(1:9 - 0.5, 9.5)
if (par4 == '10-point Likert') par1 <- c(1:10 - 0.5, 10.5)
bitmap(file='test1.png')
if(is.numeric(x[1])) {
if (is.na(par1)) {
myhist<-hist(x,col=par2,main=main,xlab=xlab,right=par3)
} else {
if (par1 < 0) par1 <- 3
if (par1 > 50) par1 <- 50
myhist<-hist(x,breaks=par1,col=par2,main=main,xlab=xlab,right=par3)
}
} else {
plot(mytab <- table(x),col=par2,main='Frequency Plot',xlab=xlab,ylab='Absolute Frequency')
}
dev.off()
if(is.numeric(x[1])) {
myhist
n <- length(x)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,hyperlink('histogram.htm','Frequency Table (Histogram)',''),6,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Bins',header=TRUE)
a<-table.element(a,'Midpoint',header=TRUE)
a<-table.element(a,'Abs. Frequency',header=TRUE)
a<-table.element(a,'Rel. Frequency',header=TRUE)
a<-table.element(a,'Cumul. Rel. Freq.',header=TRUE)
a<-table.element(a,'Density',header=TRUE)
a<-table.row.end(a)
crf <- 0
if (par3 == FALSE) mybracket <- '[' else mybracket <- ']'
mynumrows <- (length(myhist$breaks)-1)
for (i in 1:mynumrows) {
a<-table.row.start(a)
if (i == 1)
dum <- paste('[',myhist$breaks[i],sep='')
else
dum <- paste(mybracket,myhist$breaks[i],sep='')
dum <- paste(dum,myhist$breaks[i+1],sep=',')
if (i==mynumrows)
dum <- paste(dum,']',sep='')
else
dum <- paste(dum,mybracket,sep='')
a<-table.element(a,dum,header=TRUE)
a<-table.element(a,myhist$mids[i])
a<-table.element(a,myhist$counts[i])
rf <- myhist$counts[i]/n
crf <- crf + rf
a<-table.element(a,round(rf,6))
a<-table.element(a,round(crf,6))
a<-table.element(a,round(myhist$density[i],6))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable.tab')
} else {
mytab
reltab <- mytab / sum(mytab)
n <- length(mytab)
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Frequency Table (Categorical Data)',3,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Category',header=TRUE)
a<-table.element(a,'Abs. Frequency',header=TRUE)
a<-table.element(a,'Rel. Frequency',header=TRUE)
a<-table.row.end(a)
for (i in 1:n) {
a<-table.row.start(a)
a<-table.element(a,labels(mytab)$x[i],header=TRUE)
a<-table.element(a,mytab[i])
a<-table.element(a,round(reltab[i],4))
a<-table.row.end(a)
}
a<-table.end(a)
table.save(a,file='mytable1.tab')
}