FreeStatistics.org

Free Statistics

of Irreproducible Research!

Description of Statistical Computation

Author's title

Author*Unverified author*
R Software Modulerwasp_bidensity.wasp
Title produced by softwareBivariate Kernel Density Estimation
Date of computationSat, 08 Nov 2008 11:58:07 -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/Nov/08/t1226170862blsex61y83q8aij.htm/, Retrieved Sun, 19 May 2024 02:18:15 +0000
Statistical Computations at FreeStatistics.org, Office for Research Development and Education, URL https://freestatistics.org/blog/index.php?pk=22657, Retrieved Sun, 19 May 2024 02:18:15 +0000
QR Codes:

Original text written by user:
IsPrivate?No (this computation is public)
User-defined keywordsMetaalverwerking: X:Machines, apparaten en werktuigen Y:Producten van metaal
Estimated Impact170

Tree of Dependent Computations

Family? (F = Feedback message, R = changed R code, M = changed R Module, P = changed Parameters, D = changed Data)
-     [Mean Plot] [Mean Plot trimmin...] [2008-11-06 09:55:17] [94862dbeb1b738961deecd49975f349b]
F RMPD    [Bivariate Kernel Density Estimation] [Bivariate Density] [2008-11-08 18:58:07] [3b916296c2d2371d528ff188880e3d2b] [Current]
Feedback Forum
2008-11-22 13:33:46 [An Knapen] [reply] 
Het bivariaat density plot is een scatterplot dat opnieuw wordt weergegeven, maar nu met hoogtelijnen.
De diagonale lijn geeft de bestmogelijke benadering van de puntenwolk weer.
De hoogtelijnen op de tekening hebben te maken met de dichtheid(=concentratie). De cijfers die bij de hoogtelijnen genoteerd staan, geven de waarde weer van de concentratie.
De waarschijnlijkheid dat de waarden zich in het midden bevinden is veel groter dan de waarschijnlijkheid dat ze zich aan de buitenkant bevinden. Aan de hand van de tekening kunnen we zien dat de hoogelijnen eerder ellipsvormig zijn. Dit wijst dat er toch wel een verband is tussen beide variabelen( producten van metaal en machines. Dit verband is positief aangezien de cluster naar rechts is. De grootste concentratie kunnen we opmerken in het midden(roze gebied), hier is de dichtheid gelijk aan ca. 0.2.

2008-11-23 13:33:48 [Nathalie Daneels] [reply] 
Evaluatie opdracht 3 - Blok 8 (Q1)

Bij dit onderdeel van de vraag zou de student ook de tabel van 'bandwith' kunnen bijzetten. Daaruit kan men afleiden wat de correlatie precies is tussen de 2 variabelen en zo die correlatie in verband brengen met de grafiek van de bivariate density. Bij deze student bedraagt de correlatie tussen de variabelen x en y afgerond 0,82. Er is dus sprake van een positieve correlatie, dit kunnen we ook op de grafiek zien. De hoogtelijnen op de grafiek vormen ellipsen, die wijzen op een verband tussen de variabelen. Als de hoogtelijnen cirkels moesten vormen, dan zouden we niet kunnen spreken van een verband. Aangezien de hoogtelijnen van links onder naar rechts boven gaan, is er sprake van een positief verband. Dit wordt dan weer bevestigd door de tabel. We moeten eveneens vermelden dat de hoogtelijnen niet rechtstreeks iets te maken hebben met de derde dimensie, maar wel met de dichtheid/de concentratie van de punten: Ze hebben te maken met de waarschijnlijkheid dat een bepaald verband tussen variabelen zich bevindt waar de hoogtelijnen de hoogste waarde aannemen.
De bivariate density wordt gevormd aan de hand van de puntenwolk van de scatterplot. Als er op deze scatterplot op bepaalde plaatsen heel veel punten (samen/in groep) bevinden, dan gaat dit duidelijk weerspiegeld worden in de bivariate density: Dat is de plaats waarop de hoogtelijnen de hoogste waarde hebben. Op die plaats is de dichtheid/de concentratie van de variabelen het grootste. Dit is dan ook de uitleg over wat de hoogtelijnen precies weergeven: Zij geven de dichtheid/de concentratie van de punten weer (witte vlek). Op de grafiek kunnen we zien dat de hoogste concentratie van de variabelen zich net onder de rechte bevindt. Deze rechte geeft het gemiddelde van de gegevens weer/ dat is de 'beste' rechte die men door de puntenwolk van de scatterplot kan tekenen.
We kunnen eveneens vaststellen uit de grafiek dat er zich geen clusters hebben gevormd: dit zou het geval zijn als we verschillende groepen konden waarnemen. Er zouden dus op verschillende plaatsen in de grafiek een hoge waarde van de hoogtelijnen waar te nemen zijn.

Post a new message

Dataset

Dataseries X:
Download CSV
Histogram
Boxplots 
97,3
101
113,2
101
105,7
113,9
86,4
96,5
103,3
114,9
105,8
94,2
98,4
99,4
108,8
112,6
104,4
112,2
81,1
97,1
112,6
113,8
107,8
103,2
103,3
101,2
107,7
110,4
101,9
115,9
89,9
88,6
117,2
123,9
100
103,6
94,1
98,7
119,5
112,7
104,4
124,7
89,1
97
121,6
118,8
114
111,5
97,2
102,5
113,4
109,8
104,9
126,1
80
96,8
117,2
112,3
117,3
111,1
102,2
104,3
122,9
107,6
121,3
131,5
89
104,4
128,9
135,9
133,3
121,3
120,5
120,4
137,9
126,1
133,2
151,1
105
119
140,4
156,6
137,1
122,7
Dataseries Y:
Download CSV
Histogram 
93,5
94,7
112,9
99,2
105,6
113
83,1
81,1
96,9
104,3
97,7
102,6
89,9
96
112,7
107,1
106,2
121
101,2
83,2
105,1
113,3
99,1
100,3
93,5
98,8
106,2
98,3
102,1
117,1
101,5
80,5
105,9
109,5
97,2
114,5
93,5
100,9
121,1
116,5
109,3
118,1
108,3
105,4
116,2
111,2
105,8
122,7
99,5
107,9
124,6
115
110,3
132,7
99,7
96,5
118,7
112,9
130,5
137,9
115
116,8
140,9
120,7
134,2
147,3
112,4
107,1
128,4
137,7
135
151
137,4
132,4
161,3
139,8
146
166,5
143,3
121
152,6
154,4
154,6
158

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'Herman Ole Andreas Wold' @ 193.190.124.10:1001

\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 & 'Herman Ole Andreas Wold' @ 193.190.124.10:1001 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22657&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]'Herman Ole Andreas Wold' @ 193.190.124.10:1001[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=22657&T=0

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22657&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'Herman Ole Andreas Wold' @ 193.190.124.10:1001






Bandwidth
x axis6.10089644870353
y axis6.46548983714535
Correlation
correlation used in KDE0.821575855124337
correlation(x,y)0.821575855124337

\begin{tabular}{lllllllll}
\hline
Bandwidth \tabularnewline
x axis & 6.10089644870353 \tabularnewline
y axis & 6.46548983714535 \tabularnewline
Correlation \tabularnewline
correlation used in KDE & 0.821575855124337 \tabularnewline
correlation(x,y) & 0.821575855124337 \tabularnewline
\hline
\end{tabular}
%Source: https://freestatistics.org/blog/index.php?pk=22657&T=1

[TABLE]
[ROW][C]Bandwidth[/C][/ROW]
[ROW][C]x axis[/C][C]6.10089644870353[/C][/ROW]
[ROW][C]y axis[/C][C]6.46548983714535[/C][/ROW]
[ROW][C]Correlation[/C][/ROW]
[ROW][C]correlation used in KDE[/C][C]0.821575855124337[/C][/ROW]
[ROW][C]correlation(x,y)[/C][C]0.821575855124337[/C][/ROW]
[/TABLE]
Source: https://freestatistics.org/blog/index.php?pk=22657&T=1

Globally Unique Identifier (entire table): ba.freestatistics.org/blog/index.php?pk=22657&T=1

As an alternative you can also use a QR Code:  
QR Code


The GUIDs for individual cells are displayed in the table below:

Bandwidth
x axis6.10089644870353
y axis6.46548983714535
Correlation
correlation used in KDE0.821575855124337
correlation(x,y)0.821575855124337


Figures (Output of Computation)

Input Parameters & R Code

Parameters (Session):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
Parameters (R input):
par1 = 50 ; par2 = 50 ; par3 = 0 ; par4 = 0 ; par5 = 0 ; par6 = Y ; par7 = Y ;
R code (references can be found in the software module):
par1 <- as(par1,'numeric')
par2 <- as(par2,'numeric')
par3 <- as(par3,'numeric')
par4 <- as(par4,'numeric')
par5 <- as(par5,'numeric')
library('GenKern')
if (par3==0) par3 <- dpik(x)
if (par4==0) par4 <- dpik(y)
if (par5==0) par5 <- cor(x,y)
if (par1 > 500) par1 <- 500
if (par2 > 500) par2 <- 500
bitmap(file='bidensity.png')
op <- KernSur(x,y, xgridsize=par1, ygridsize=par2, correlation=par5, xbandwidth=par3, ybandwidth=par4)
image(op$xords, op$yords, op$zden, col=terrain.colors(100), axes=TRUE,main=main,xlab=xlab,ylab=ylab)
if (par6=='Y') contour(op$xords, op$yords, op$zden, add=TRUE)
if (par7=='Y') points(x,y)
(r<-lm(y ~ x))
abline(r)
box()
dev.off()
load(file='createtable')
a<-table.start()
a<-table.row.start(a)
a<-table.element(a,'Bandwidth',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'x axis',header=TRUE)
a<-table.element(a,par3)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'y axis',header=TRUE)
a<-table.element(a,par4)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'Correlation',2,TRUE)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation used in KDE',header=TRUE)
a<-table.element(a,par5)
a<-table.row.end(a)
a<-table.row.start(a)
a<-table.element(a,'correlation(x,y)',header=TRUE)
a<-table.element(a,cor(x,y))
a<-table.row.end(a)
a<-table.end(a)
table.save(a,file='mytable.tab')