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 computationTue, 02 Dec 2008 06:17:07 -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/02/t12282239341lxzmlwfcg4yi9h.htm/, Retrieved Mon, 27 May 2024 05:55:14 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=27730, Retrieved Mon, 27 May 2024 05:55:14 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywords
Estimated Impact186

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] [question 2] [2008-12-01 11:58:47] [379d6c32f73e3218fd773d79e4063d07]
F           [Law of Averages] [Q2] [2008-12-02 13:17:07] [f4914427e726625a358be9269a8b7d03] [Current]
Feedback Forum
2008-12-06 11:55:28 [Bert Moons] [reply] 
De autocorrelatiegrafiek geeft de mate aan waarin de waarde kan voorspeld worden aan de hand van voorgaande momenten. Hoe verder men naar rechts gaat op de grafiek hoe groter de “lag” wordt of m.a.w. hoe verder men in de tijd terug gaat om de correlatie met voorgaande momenten te onderzoeken.

Het dalend patroon treed op omdat de relatieve invloed van 1 extra worp op het teveel aan kopworpen gering is (theoretisch is er zelf geen invloed – de kans is immers gelijk). Een groter aantal worpen tussen de 2 waarden (een grotere lag) zal echter meer invloed hebben.
Hier kan men er dus van uitgaan dat, als de voorgaande waarde laag was, de volgende waarde eveneens laag zal zijn. Dit kan beweerd worden doordat de waarden (sterk) boven het betrouwbaarheidsinterval uitkomen.
2008-12-08 14:14:14 [Alexander Hendrickx] [reply] 
Er is inderdaad duidelijk autocorrelatie aanwezig. Door de dalende trend kunnen we stellen dat we toekomstige waarden kunnen voorspellen door de laatste waarde te bekijken. Het dalend patroon wijst op een neerwaartse voorspelbaarheid. De waarden komen ook allemaal boven het 95 % betrouwbaarheidsinterval uit, het zijn doe geen toevalligheden.

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=27730&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=27730&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=27730&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