Поле цифровой дидактики - Вклад [ru]

Эксперименты с моделью Segregation

2025-12-27T06:48:14Z

Демина Валерия:

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK) 

После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
{{#widget:Google Spreadsheet
|key=e/2PACX-1vSxhXmY8hDqYcj1dmqAtFZSaOKemgtyPRDLKIm57FBM6W_ehkkY5nuNGhOsFXVfXA
}}

[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# [[Нулевая гипотеза]] отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 09:27, 27 декабря 2025 (MSK)

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

сбор данных
[[Файл:Снимок экрана 2025-12-27 091947.png|600px]]
Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.

[[Файл:Снимок экрана 2025-12-27 092514.png|600px]]

Выводы эксперимента:
Компромисс между точностью и скоростью:
Низкий порог → быстрее работа, но меньше точность.
Высокий порог → медленнее работа, возможны «срывы» в максимальный лимит.

Оптимальный порог, судя по данным, находится где-то между 60% и 70%, где среднее число тактов ещё не максимально, но уже выше, чем при 55%.

Наличие «потолка» в 1000 тактов указывает на ограничение алгоритма или эксперимента — возможно, нужно увеличить лимит или улучшить метод поиска для высоких порогов.

== Эксперимент 3: Зависимость среднего числа тактов от плотности (density) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
{{#widget:Google Spreadsheet
|key=e/2PACX-1vSxhXmY8hDqYcj1dmqAtFZSaOKemgtyPRDLKIm57FBM6W_ehkkY5nuNGhOsFXVfXA
}}
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности». Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).

Для уровней 80% и 90% [[p-value]] > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.

{{#ask: [[[p-value]] | ?Description }}

=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов: индивидуальных предпочтений (порог толерантности), структурных ограничений (плотность / доступное пространство). Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T06:46:12Z

Демина Валерия:

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK) 

После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
{{#widget:Google Spreadsheet
|key=e/2PACX-1vSxhXmY8hDqYcj1dmqAtFZSaOKemgtyPRDLKIm57FBM6W_ehkkY5nuNGhOsFXVfXA
}}

[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# [[Нулевая гипотеза]] отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 09:27, 27 декабря 2025 (MSK)

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

сбор данных
[[Файл:Снимок экрана 2025-12-27 091947.png|600px]]
Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.

[[Файл:Снимок экрана 2025-12-27 092514.png|600px]]

Выводы эксперимента:
Компромисс между точностью и скоростью:
Низкий порог → быстрее работа, но меньше точность.
Высокий порог → медленнее работа, возможны «срывы» в максимальный лимит.

Оптимальный порог, судя по данным, находится где-то между 60% и 70%, где среднее число тактов ещё не максимально, но уже выше, чем при 55%.

Наличие «потолка» в 1000 тактов указывает на ограничение алгоритма или эксперимента — возможно, нужно увеличить лимит или улучшить метод поиска для высоких порогов.

== Эксперимент 3: Зависимость среднего числа тактов от плотности (density) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности». Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).

Для уровней 80% и 90% [[p-value]] > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.

{{#ask: [[[p-value]] | ?Description }}

=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов: индивидуальных предпочтений (порог толерантности), структурных ограничений (плотность / доступное пространство). Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T02:17:48Z

Демина Валерия: /* Эксперимент 3 */

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK) 

После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3: Зависимость среднего числа тактов от плотности (density) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности». Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).
Для уровней 80% и 90% p-value > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.

=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов: индивидуальных предпочтений (порог толерантности), структурных ограничений (плотность / доступное пространство). Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T02:16:42Z

Демина Валерия: /* Сбор и анализ данных */

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK) 

После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3 ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности». Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).
Для уровней 80% и 90% p-value > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.

=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов: индивидуальных предпочтений (порог толерантности), структурных ограничений (плотность / доступное пространство). Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T02:14:47Z

Демина Валерия: /* Выводы */

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK) 

После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3 ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности» (см. приложение). Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия со значением при 95% являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).
Для уровней 80% и 90% p-value > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.
=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов: индивидуальных предпочтений (порог толерантности), структурных ограничений (плотность / доступное пространство). Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T02:11:57Z

Демина Валерия: /* Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) */

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK) 

После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3 ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности» (см. приложение). Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия со значением при 95% являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).
Для уровней 80% и 90% p-value > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.
=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов:
индивидуальных предпочтений (порог толерантности),
структурных ограничений (плотность / доступное пространство).
Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T02:11:30Z

Демина Валерия:

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK)
После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 

График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3 ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]] 
https://docs.google.com/spreadsheets/d/1vXB24hYZD9DmhW3GkUYYRKc1n3SER-pt/edit?usp=sharing&ouid=111859717741625069522&rtpof=true&sd=true 
Построен график «Зависимость среднего количества тактов до стабилизации от плотности» (см. приложение). Кривая демонстрирует чёткую положительную зависимость: с ростом плотности среднее время стабилизации монотонно увеличивается — с 10.87 тактов при 60% до 16.63 тактов при 95%. 

Для уровней 60% и 70% различия со значением при 95% являются статистически значимыми (p = 0.038 и p = 0.003 соответственно, p < 0.05).
Для уровней 80% и 90% p-value > 0.05, что говорит о том, что различия могут быть обусловлены случайной вариацией. Это ожидаемо: при высокой плотности система приближается к пределу, и эффект от небольшого снижения плотности (например, с 95% до 90%) становится менее выражен.
=== Выводы ===
# Альтернативная гипотеза подтверждена. Снижение плотности населения при фиксированном пороге толерантности 30% значимо сокращает время, необходимое для достижения стабильного состояния модели. Наибольший эффект наблюдается при снижении плотности с 95% до 70% — время уменьшается на ~28% (с 16.63 до 12.00 тактов).
# Связь с первым экспериментом. В совокупности оба эксперимента демонстрируют, что сегрегация — это результат взаимодействия двух факторов:
индивидуальных предпочтений (порог толерантности),
структурных ограничений (плотность / доступное пространство).
Управление обоими факторами позволяет эффективно влиять на динамику социальных процессов.

Эксперименты с моделью Segregation

2025-12-27T01:59:25Z

Демина Валерия: /* Эксперимент 3 */

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK)
После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3 ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:59, 27 декабря 2025 (MSK)
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 045737.png]] 
[[Файл:Снимок экрана 2025-12-27 045852.png]]

Файл:Снимок экрана 2025-12-27 045852.png

2025-12-27T01:59:13Z

Демина Валерия:

Файл:Снимок экрана 2025-12-27 045737.png

2025-12-27T01:58:00Z

Демина Валерия:

Эксперименты с моделью Segregation

2025-12-27T01:56:52Z

Демина Валерия: /* Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) */

=== Описание модели ===
Модель сегрегации Шеллинга
– это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этнических групп, где агенты представляют домовладельцев, которые переселяются в город. В модели каждый агент принадлежит к одной из двух групп и стремится жить в районе, где доля "друзей" достаточно высока: выше определенного порогового значения F. В зависимости от F, для групп равного размера, модель проживания по Шеллингу сходится либо к полной интеграции (случайное распределение), либо к сегрегации.

== Эксперимент 1: Зависимость среднего числа тактов от порога толерантности (%-similar-wanted) ==
--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 04:56, 27 декабря 2025 (MSK)
После запуска модели с настройками density = 95%, % - similar-wanted = 70% было замечено, что агенты начинают активно перемещаться, стремясь найти окружение, где доля "похожих" соседей не ниже заданного порога. Процесс завершается, когда все агенты становятся "счастливыми". При этом количество тактов, необходимых для достижения равновесия, сильно зависит от начального значения % - similar-wanted.

Исследовательский вопрос: 
Как изменяется среднее количество тактов, необходимых для достижения стабильного состояния в модели Сегрегации, при увеличении порога толерантности агентов (10-50%)?
=== Гипотеза ===
'''Нулевая гипотеза:''' Изменение порога толерантности агентов (10-50%) не оказывает значимого влияния на среднее количество тактов до стабилизации модели. Средние значения одинаковы при всех уровнях толерантности. 
'''Альтернативная гипотеза:''' Изменение порога толерантности агентов (10-50%) оказывает значимое влияние на среднее количество тактов до стабилизации модели. Средние значения различаются при разных уровнях толерантности. 
'''Цель эксперимента:''' Исследовать зависимость числа переездов агентов от порога толерантности.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' % - similar-wanted (порог толерантности). 

'''Значения параметра:''' 10%, 20%, 30%, 40%, 50%. 

'''Контролируемые параметры:'''
density: 95%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===
[[Файл:Снимок экрана 2025-12-27 031438.png|Снимок экрана 2025-12-27 031438.png]] 
[[Файл:Снимок экрана 2025-12-27 031639.png]] 
График показывает рост среднего числа тактов с увеличением порога. Кривая имеет выраженный S-образный характер: более резкий рост наблюдается на низких порогах толерантности (10-30%). 
Несмотря на замедление темпа роста после 30%, общая зависимость остается положительной и статистически значимой (p < 0.05 для всех точек), что подтверждает альтернативную гипотезу. 
=== Выводы ===
# Нулевая гипотеза отвергается. Статистический анализ подтверждает, что порог толерантности в диапазоне от 10% до 50% оказывает значимое влияние на время стабилизации модели (p < 0.001). С ростом порога среднее количество тактов до достижения равновесия неуклонно увеличивается.
# Зависимость нелинейна и имеет S-образную форму. Наиболее важная особенность — максимальная чувствительность системы в диапазоне 10%–30%: среднее число тактов возрастает почти в 8 раз (с 2.17 до 16.63). Это означает, что даже небольшое повышение минимальных требований агентов к однородности окружения (например, с 20% до 30%) приводит к резкому замедлению процесса сегрегации.
# После 30% темп роста замедляется. В диапазоне 30%–50% увеличение времени стабилизации составляет лишь ~40% (с 16.63 до 23.33 тактов), что свидетельствует о насыщении: при уже повышенных требованиях дальнейшее ужесточение порога оказывает меньшее относительное влияние.

== Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) ==

Нулевая гипотеза (H₀₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% не оказывает значимого влияния на среднее количество тактов до стабилизации модели.

Альтернативная гипотеза (H₁₂): Изменение порога толерантности агентов в диапазоне от 55% до 75% оказывает значимое положительное влияние на среднее количество тактов до стабилизации модели, при этом темп роста может замедляться по сравнению с предыдущим диапазоном.

Изменяемый параметр: % - similar-wanted (порог толерантности).

Значения параметра: 55%, 60%, 65%, 70%, 75%.

Контролируемые параметры:
density: 95%
visualization: square-x

Замедление темпов.

Рост среднего числа тактов продолжается, но его темп замедляется. Хотя зависимость остается положительной, темп роста среднего числа тактов замедляется. Это указывает на то, что при очень высоких требованиях к окружению система достигает своего "предела" и дальнейшее увеличение порога приводит к меньшему относительному приросту времени.
== Эксперимент 3 ==
=== Гипотеза ===
'''Нулевая:''' Плотность населения не влияет на среднее количество тактов до стабилизации при фиксированном пороге толерантности 30%. 
'''Альтернативная:''' Снижение плотности населения сокращает среднее количество тактов до стабилизации при пороге 30%, так как увеличение числа свободных ячеек облегчает поиск подходящего места и уменьшает «трафик переездов». 
'''Цель эксперимента:''' Выяснить, как изменение плотности населения влияет на время, необходимое для достижения стабильного состояния, при неизменном уровне требований агентов к окружению.
=== Проведение эксперимента ===
'''Изменяемый параметр:''' density (плотность). 

'''Значения параметра:''' 60%, 70%, 80%, 90%, 95%. 

'''Контролируемые параметры:'''
%-similar-wanted: 30%
visualization: square-x 

'''Количество прогонов:''' Для каждого из 5 значений порога проведено 30 независимых прогонов. 

'''Собираемая метрика:''' Количество тактов (ticks) до полной стабилизации модели (когда num-unhappy = 0).
=== Сбор и анализ данных ===

Файл:Снимок экрана 2025-12-27 045153.png

2025-12-27T01:52:42Z

Демина Валерия:

Эксперименты с моделью Segregation

2025-12-27T01:19:00Z

Демина Валерия:

Эксперименты с моделью Segregation

2025-12-27T00:31:16Z

Демина Валерия:

Эксперименты с моделью Segregation

2025-12-27T00:30:43Z

Демина Валерия:

Эксперименты с моделью Segregation

2025-12-27T00:29:48Z

Демина Валерия:

Файл:Снимок экрана 2025-12-27 031639.png

2025-12-27T00:17:08Z

Демина Валерия:

Файл:Снимок экрана 2025-12-27 031438.png

2025-12-27T00:15:16Z

Демина Валерия:

Эксперименты с моделью Segregation

2025-12-26T23:44:37Z

Демина Валерия: /* Описание модели */

Эксперименты с моделью Segregation

2025-12-26T23:36:55Z

Демина Валерия: Новая страница: «=== Описание модели === Модель сегрегации Шеллинга – это агент-ориентированная модель, которая иллюстрирует, как индивидуальные тенденции в отношении соседей могут привести к сегрегации. Модель особенно полезна для изучения жилищной сегрегации этниче...»

Участник:ДеминаВалерия/SimpleEconomy

2025-12-09T10:24:44Z

Демина Валерия: Новая страница: «== Примеры математических формул == === 1. Ковариация двух переменных === <math>\text{Cov}(X, Y) = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})</math> где: * <math>x_i, y_i</math> — парные наблюдения * <math>\bar{x}, \bar{y}</math> — выборочные средние * Положительная ковариация указывает на прямую свя...»

== Примеры математических формул ==

=== 1. Ковариация двух переменных ===

<math>\text{Cov}(X, Y) = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})</math>

где:
* <math>x_i, y_i</math> — парные наблюдения
* <math>\bar{x}, \bar{y}</math> — выборочные средние
* Положительная ковариация указывает на прямую связь между переменными

=== 2. Коэффициент корреляции Пирсона ===

<math>r = \frac{\text{Cov}(X, Y)}{s_X s_Y} = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i - \bar{x})^2 \sum_{i=1}^{n} (y_i - \bar{y})^2}}</math>

где:
* <math>s_X, s_Y</math> — стандартные отклонения переменных
* <math>-1 \le r \le 1</math>
* <math>|r| \approx 1</math> указывает на сильную линейную зависимость

=== 3. Коэффициент детерминации (R²) ===

<math>R^2 = 1 - \frac{\text{SS}_{\text{res}}}{\text{SS}_{\text{tot}}} = 1 - \frac{\sum_{i=1}^{n} (y_i - \hat{y}_i)^2}{\sum_{i=1}^{n} (y_i - \bar{y})^2}</math>

где:
* <math>\text{SS}_{\text{res}}</math> — сумма квадратов остатков
* <math>\text{SS}_{\text{tot}}</math> — общая сумма квадратов
* <math>\hat{y}_i</math> — предсказанное значение
* R² показывает долю дисперсии зависимой переменной, объяснённую моделью

=== 4. Коэффициент наклона в простой линейной регрессии ===

<math>b_1 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y})}{\sum_{i=1}^{n} (x_i - \bar{x})^2} = r \cdot \frac{s_Y}{s_X}</math>

где:
* <math>b_1</math> — угловой коэффициент линии регрессии
* Модель: <math>\hat{y} = b_0 + b_1 x</math>
* <math>b_1</math> показывает изменение Y при изменении X на единицу

=== 5. Интерцепт в простой линейной регрессии ===

<math>b_0 = \bar{y} - b_1 \bar{x}</math>

где:
* <math>b_0</math> — свободный член (значение Y при X = 0)
* Линия регрессии проходит через точку <math>(\bar{x}, \bar{y})</math>

=== 6. Стандартизованная оценка (z-оценка) ===

<math>z_i = \frac{x_i - \bar{x}}{s}</math>

где:
* <math>z_i</math> — стандартизованное значение наблюдения
* <math>\bar{x}</math> — выборочное среднее
* <math>s</math> — выборочное стандартное отклонение
* z-оценки имеют среднее 0 и стандартное отклонение 1

Обсуждение:Практическое задание по анализу временных рядов

2025-12-09T08:34:46Z

Демина Валерия:

== Пример постановки эксперимента с моделью Segregation ==

Это пример постановки эксперимента
--[[Участник:Patarakin|Patarakin]] ([[Обсуждение участника:Patarakin|обсуждение]]) 09:16, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 60%
# Таких же как я - 30, 40, 60 %

Time unhappy
0 300
1 161
2 99
3 62
4 38
5 28
6 18
7 11
8 5
9 2
10 2
11 0

=== [[BehaviorSpace]] Experiment ===
* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Пример постановки эксперимента с моделью Segregation ==

=== Сбор данных с модели Segregation ===

--[[Участник:Kate|Kate]] ([[Обсуждение участника:Kate|обсуждение]]) 09:41, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%

https://docs.google.com/spreadsheets/d/18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSo0qbkxN8XqMumIM8MZSb57Y4pZMJAmU48njjO_RIMshxYr9yrusvEOBAElT_EUhQJO7kNBqSRlQpI
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 01-51-38.png|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Viz V.png|600px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет)===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:2025-11-29 02-27-40.png|600px]]

далее в RawGraph:

[[Файл:Ch1.png|600px]]

[[Файл:Ch2.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:PanshinaZina|PanshinaZina]] ([[Обсуждение участника:PanshinaZina|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

=== Сбор данных с модели Segregation ===
# Плотность - 80%
# Таких же как я - 75%

* https://docs.google.com/spreadsheets/d/1gqjZmHA2w2oBaCHlDiRIz5QzEY5BlxX4zDUVXYMCFQ4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Codap seg.png|600px]]

Затем построим графики в RawGraph:

[[Файл:Segregation.png|800px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации. При этом скорость и глубина снижения зависят от порога %-similar-wanted: чем ниже требование к подобию (например, 70–72%), тем быстрее и глубже падает число несчастливых, и тем ближе система к полной стабилизации. При более высоких значениях (73–75%) снижение происходит медленнее, и к концу моделирования остаётся небольшое количество несчастливых агентов - это указывает на то, что при больших порогах система может не достигать полного равновесия в заданном числе шагов(что можно увидеть при %-similar-wanted=76).

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:CODAP ED.png|800px]]

Затем построим графики в RawGraph:

[[Файл:Poor.png|450px]]
[[Файл:Rich.png|450px]]

На полученных графиках мы видим, что чем выше poor-price-priority или rich-quality-priority, тем больше медианное расстояние до работы — это означает, что ориентация бедных на цену и богатых на качество заставляет их выбирать более удалённое место жительство от рабочего места. При снижении этих приоритетов расстояния сокращаются.

== Эксперимент с моделью Segregation ==

--[[Участник:Malena Buzdugan|Malena Buzdugan]] ([[Обсуждение участника:Malena Buzdugan|обсуждение]]) 09:46, 15 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 80%
# Таких же как я - 50 %

* https://docs.google.com/spreadsheets/d/1Jl5Iat5UvbL5uxol7NzrbJQx7-P_xriS/edit?usp=drive_link&ouid=109987093236244455563&rtpof=true&sd=true

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Photo 2025-12-02 13-05-26.jpg|600px]]

=== Далее визуализируем в RawGraph ===
[[Файл:Ааа.png|600px]]
[[Файл:Viz (1.png|600px]]

== Эксперимент с моделью Segregation ==
--[[Участник:DolzhenkovaPV|DolzhenkovaPV]] ([[Обсуждение участника:DolzhenkovaPV|обсуждение]]) 10:08, 24 ноября 2025 (MSK)
*
https://docs.google.com/spreadsheets/d/1VrDX2kuHOzh_HSqERhOXEwUPWtgMEYZyevcI-Lhu8HY/edit?usp=sharing

Условия эксперимента:
# Плотность - 81%
# Таких же как я - 70 %
{{#widget:Google Spreadsheet

|key=e/2PACX-1vTSVYEuoG3mfbZfxAGOGWz6q81-JAnIk69BaD4ih-HayiSjrkdICgjlrUMMgYiecxOuyN56YDQq9oF4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
[[Файл:2025-11-24 09-52-33.png|600px]]

[[Файл:2025-11-24_10-02-54.png|600px]]

== Эксперимент с моделью Segregation ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 00:30, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 65%

*
https://docs.google.com/spreadsheets/d/1gDmKr_UHjpUr5_iR231LlJfVgPMGoHWBdWZI7qigleQ/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSWXDB_TI-khaobFIf9fXM4zKHx-QBCRcGXbo9afY9tcJttAXEV5EO_j4i0FejKGso38QavLQX43u0z
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Happy unhappy.png|550px]]

Затем построим графики в RawGraph:
[[Файл:Raw happy.png|700px]]

На всех графиках наблюдается общая тенденция к снижению числа несчастливых агентов со временем, что соответствует ожидаемому поведению модели сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 02:13, 21 ноября 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 83%

*
https://docs.google.com/spreadsheets/d/1Dh_tpGTeNvnSlkdC_UntJwu7G3P6gnVrFi9GWnTEGsw/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ-ILv2Q-LJdW11qXQr6tM5sMmHv02Tw5osEWV415-u1I2do17O9biGpPvUZ1bDYCLQzYc7izEEkNv8
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Graphs analyse.png|650px]]

Затем построим графики в RawGraph:
[[Файл:Happy.png|650px]]

== Эксперимент с моделью Segregation ==
Условия эксперимента:
# Плотность - 88%
# Таких же как я - 88 %
* https://docs.google.com/spreadsheets/d/1KCua6-shAaeD164v4ifRZh_Ez1ZU6aTZFvm54xb8Ce4/edit?gid=0#gid=0

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTPXipXc9ARNYMvQwyHByVmfBmYOsK7G-XRaORt0RZzBQkUeaOVeYcLOVNvCyFtgQ
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Снимок экрана 2025-11-29 014538.png| 600px]]

Затем построим графики в RawGraph:
[[Файл:GG2.png|800px]]

=== Визуализация графиков в RawGraph по модели Economic Disparity(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:GG3.png|800]]

Затем построим графики в RawGraph:
[[Файл:Viz (1).png|800px]]

== Эксперимент с моделью Segregation ==
'''Хлебова Екатерина, гр. АБП-231'''

Условия эксперимента:
# Плотность - 84%
# Таких же как я - 63%

* https://docs.google.com/spreadsheets/d/1pdLtG43iF32Rs9Z2s5ju2wnlG2ecnbMy1wdeQ296n60/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vRS39czJLsMKifssDW8tsGwRz_cIN-6_tgljBkzjCjIh5bH1qr2YZoEjlZu4Mkene8rxFQqA_LSuuPr
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:
[[Файл:Segregation experiment.jpg|600px]]

Затем построим графики в RawGraph:
[[Файл:Хлебова ЕМ.png|800px]]

== Эксперимент с моделью Segregation ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 21:28, 8 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 96%
# Таких же как я - 64%

*
https://docs.google.com/spreadsheets/d/1tw4X7ycnG31bSNJsV_xGkZo3OP_IIaVSUFyWJuTp6yg/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRVHoEZqhOt04Vipn_5Tv1VO06faXuW13tow8W3S7JPdQdiE7vTdViAfXa4eCm_LQgxg6wIHr32Nrz4
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Sergegation ==
--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 23:10, 8 декабря 2025 (MSK)

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

https://docs.google.com/spreadsheets/d/1g9T9165heBCoUtpesHFcIddSF68hZaAAWxfcZsQUmiw/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vRkSLeEY2TYJnI2ObN502g5r1PKGYmXzcyR4LdaY5D42kSs_LSO5IxIhreGxal_jPghjSYcUK9BSVOU
|width=500
|height=400
}}

=== Визуализация графиков в RawGraph по модели Sergegation (общий датасет) ===

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

== Эксперимент с моделью Segregation ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 11:34, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 99%
# Таких же как я - 19%

*
https://docs.google.com/spreadsheets/d/1RVYnlLvSdyDtDooe4mh-T0cSPFVDePH2zywlokQ1V34/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vQ2Eji-Josjnm2wBSKXuvkNHL6KMIOAbfVV-BnroT5yzl0ZDcMb_nLQ9vrFTCUqzTglSWFr35JYN_Hr
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Для начала построим диаграммы рассеивания в CODAP:

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых прослеживается общая тенденция к снижению доли несчастливых агентов со временем, что является закономерным итогом процесса, заложенного в модель сегрегации.

Файл:111.png

2025-12-09T08:22:37Z

Демина Валерия:

Файл:Grafic.png

2025-12-09T08:21:25Z

Демина Валерия:

Обсуждение:Как провести регрессионный анализ

2025-12-08T22:25:08Z

Демина Валерия:

== Дополнение с датасетом про бизнес ==

Как мы исследовали зависимости из датасета про бизнес
* https://corgis-edu.github.io/corgis/csv/business_dynamics/

[[Файл:Business death.png|600px]]

== Дополнение с датасетом про кофе ==

Как проводился регрессионный анализ датасета про кофе:

*https://corgis-edu.github.io/corgis/csv/coffee/

[[Файл:График.png|600px]]

How does (Data.Scores.Acidity) depend on (Data.Scores.Total)?

LSRL: Data.Scores.Acidity = 0,08482 (Data.Scores.Total) - NaN
N = 989, ρ = 0,8197, r2 = 0,6719
Regression details
slope 0,08482 95% CI = [0,08112, 0,08852]
intercept 0,5867 95% CI = [0,2829, 0,8905]

testing slope ≠ 0
t = 45, P < 0.0001
df = 987, α = 0,05, t* = 1,96,

''Вывод:''
Сильная прямая зависимость - кислотность значительно влияет на общий балл кофе.

''Ключевые цифры:''

Сильная связь: ρ = 0.82 (очень высокая корреляция)

Объясняет 67%: R² = 0.67 - кислотность определяет 67% изменений общего балла

Статзначимо: P < 0.0001 - связь не случайна

''Практический смысл:''
При росте общего балла на 1 пункт кислотность увеличивается на 0.085 балла

Кислотность = ключевой фактор качества в профессиональной оценке кофе

Вывод для бизнеса: Развитие кислотных характеристик = повышение общего качества кофе.

== Дополнение с датасетом про миллионеров ==

Как проводился регрессионный анализ с датасетом про миллионеров:
* https://corgis-edu.github.io/corgis/csv/billionaires/

Гипотеза: Есть ли связь между возрастом и состоянием? Логично предположить, что с возрастом состояние может расти, так как будет больше времени для накопления капитала.

[[Файл: График по миллионерам.png|600px]]

Регрессионный анализ:

How does (demographics.age) depend on (wealth.worth in billions) ?
LSRL: demographics.age = 0,5967 (wealth.worth in billions) - NaN
N = 2614, ρ = 0,1199, r2 = 0,01437
Regression details
slope 0,5967 95% CI = [0,4071, 0,7864]
intercept 51,23 95% CI = [50,06, 52,41]

testing slope ≠ 0
t = 6,17, P < 0.0001
df = 2612, α = 0,05, t* = 1,96,

Выводы:
Можно увидеть, что в большинстве своем возраст не сильно влияет на состояние миллионера(r2 = 0,01437). Поэтому существует статистически значимая, но крайне слабая положительная линейная связь между состоянием миллиардера и его возрастом.

== Дополнение с датасетом про опиоид ==
Как мы исследовали зависимости из датасета про опиоид
https://corgis-edu.github.io/corgis/csv/opioids/

[[Файл:Opioids.jpg|600px]]

How does (Rate.Opioid.Synthetic.Total) depend on (Year) ?
LSRL: Rate.Opioid.Synthetic.Total = 0,4297 (Year) - NaN
N = 21, ρ = 0,7664, r2 = 0,5874
Regression details
slope 0,4297 95% CI = [0,2568, 0,6027]
intercept -860,9 95% CI = [-1208, -513,5]

testing slope ≠ 0
t = 5,2, P < 0.0001
df = 19, α = 0,05, t* = 2,09,

Вывод:
* Сильная положительная корреляция
* Значительный рост смертности от синтетических опиоидов с течением времени

== Дополнение с датасетом по зарплатам выпусников ==

https://corgis-edu.github.io/corgis/csv/graduates/
Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

[[Файл:Датасет.jpg|500 ptx]]
How does (Salaries.Median) depend on (Salaries.Mean) ?
LSRL: Salaries.Median = 0,7259 (Salaries.Mean) + 4172
N = 517, ρ = 0,9169, r2 = 0,8407

Regression details
slope 0,7259 95% CI = [0,6985, 0,7532]
intercept 4172 95% CI = [2705, 5638]

testing slope ≠ 0
t = 52,1, P < 0.0001
df = 515, α = 0,05, t* = 1,96,
Выводы: Видно что линейная зависимость действительно есть, однако наблюдается некое отклонение. Также можно наблюдать несколько выбросов, которые было бы интересно проанализировать отдельно. Все эти "выбросы" относятся к 1993 году, из чего можно сделать вывод что они могут быть связаны с нестабильной экономической и политической ситуацией в этот год

== Дополнение с датасетом про астронавтов ==

https://corgis-edu.github.io/corgis/csv/astronauts/

Гипотеза: Год отбора астронавта является хорошим предиктором года его первой миссии, и существует линейная зависимость между этими показателями.

[[Файл:Астронавты.png|500px]]

How does (Profile.Selection.Year) depend on (Mission.Year) ?
LSRL: Mission.Year = 0,945 (Profile.Selection.Year) + 118,3
N = [количество наблюдений], ρ = 0,915, r2 = 0,837

Regression details
slope 0,945 95% CI = [0,923, 0,967]
intercept 118,3 95% CI = [105,2, 131,4]

testing slope ≠ 0
t = 78,4, P < 0.0001
df = [n-2], α = 0,05, t* = 1,96

Выводы: наблюдается сильная линейная зависимость между годом отбора и годом миссии (r² = 0,837). Наклон 0,945 показывает, что с каждым годом отбора год миссии увеличивается почти пропорционально. Интерцепт 118,3 указывает на то, что для ранних годов отбора существует значительный временной лаг до первой миссии. Сильная корреляция подтверждает, что год отбора действительно является хорошим предиктором года первой космической миссии.

== Дополнение с датасетом про энергию ==

https://corgis-edu.github.io/corgis/csv/energy/

Гипотеза: Чем выше добыча угля в штате, тем больше его используется для производства электроэнергии (положительная зависимость). Это может указывать на самодостаточность штата в энергетике или логистическую связанность.

[[Файл:2025-11-20 14-20-20.png|600px]]

Is the mean of Consumption.Electric Power.Coal ≠ 0 ?

N = 3060, t = 47,3, P < 0.0001
sample mean = 265000, 95% CI = [254500, 276500]
s = 310500, SE = 5613, df = 3060, α = 0,05, t* = 1,96

Проведенный анализ показывает статистически значимую положительную зависимость между добычей угля в штатах и его потреблением для выработки электроэнергии. Это подтверждает первоначальную гипотезу о том, что штаты с более высокой добычей угля действительно склонны потреблять больше угля для энергогенерации.

== Дополнение с датасетом про демографию ==

--[[Участник:KryuchkovSR|KryuchkovSR]] ([[Обсуждение участника:KryuchkovSR|обсуждение]]) 01:12, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/state_demographics/

Гипотеза: Штаты с более старым населением имеют более высокий уровень домовладения.

[[Файл:График демографии.png|650px]]

Is the mean of Age.Percent 65 and Older ≠ 0 ?

N = 51, t = 60, P < 0.0001
sample mean = 16,9, 95% CI = [16,31, 17,44]
s = 2,009, SE = 0,2813, df = 50, α = 0,05, t* = 2,01

Проведенный регрессионный анализ подтверждает статистически значимую связь между процентом населения старше 65 лет и уровнем домовладения в штатах. Полученные результаты свидетельствуют о том, что:

Штаты с более высокой долей пожилого населения (65+ лет) действительно имеют более высокий уровень домовладения. Эта зависимость является статистически значимой (p < 0.0001), что позволяет с высокой степенью уверенности отвергнуть нулевую гипотезу об отсутствии связи между этими показателями.

== Дополнение с датасетом про автомобили ==

--[[Участник:GavrikovVI843|GavrikovVI843]] ([[Обсуждение участника:GavrikovVI843|обсуждение]]) 01:35, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/cars/

Гипотеза: Чем выше мощность двигателя, тем, как правило, больше расход топлива в городском цикле. Это классическая обратная связь.

[[Файл:Автомобили зависимость.png|650px]]

Is the mean of Engine Information.Engine Statistics.Horsepower ≠ 0 ?

N = 5076, t = 202, P < 0.0001
sample mean = 270, 95% CI = [267,9, 273,1]
s = 95,29, SE = 1,338, df = 5080, α = 0,05, t* = 1,96

Статистически значимо подтверждено, что среднее значение мощности двигателей в датасете не равно нулю. Средняя мощность составляет 270 л.с., а 95%-ный доверительный интервал (от 267,9 до 273,1 л.с.) не включает в себя ноль. Это ожидаемый и логичный результат, так как мощность двигателя — это физическая величина, которая по определению не может быть равна нулю для работающего автомобиля. Явно видна прямая зависимость между мощностью двигателя и расходом топлива в городе.

== Дополнение с датасетом про авиаперелеты ==

--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 19:29, 21 ноября 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/airlines/
*Гипотеза: чем больше рейсов задержано, тем больше суммарное время задержек.

[[Файл:Полёты.png|650px]]

Is the mean of Statistics.Flights.Delayed ≠ 0 ?
N = 4408, t = 93,2, P < 0.0001
sample mean = 2400, 95% CI = [2351, 2453]
s = 1711, SE = 25,77, df = 4410, α = 0,05, t* = 1,96

Установлена статистически значимая положительная связь между количеством задержанных рейсов и общим временем задержек. Результаты показывают, что:
Количество задержанных рейсов является статистически значимым предиктором общего времени задержек (t = 93,2, p < 0,0001)
В среднем по аэропортам наблюдается 2400 задержанных рейсов (95% ДИ [2351; 2453]), что достоверно отличается от нуля
Ожидается, что с увеличением количества задержанных рейсов общее время задержек будет пропорционально возрастать

== Дополнение с датасетом про еду ==

--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 15:28, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/food/

Гипотеза: Возможно, в некоторых категориях (например, йогурт, молоко) существует линейная зависимость: чем выше жирность, тем выше содержание белка (или наоборот).

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

N = 5000, t = 72,7, P < 0.0001
sample mean = 8,53, 95% CI = [8,303, 8,763]
s = 8,302, SE = 0,1174, df = 5000, α = 0,05, t* = 1,96

Анализ выявил статистически значимую положительную связь между содержанием белка и жира в продуктах: с ростом белка на 1 г количество жира в среднем увеличивается на ≈0,45 г. Это подтверждает гипотезу о взаимосвязи в таких категориях как молоко и йогурт.

Однако связь умеренная (R² ≈ 0,15), так как на жирность влияют и другие факторы — особенно в обработанных продуктах (обезжиренных версиях, растительных аналогах), где естественное соотношение нарушено. Для более точных выводов требуется анализ по отдельным категориям продуктов.

== Дополнение с датасетом про стрельбу в полиции ==

--[[Участник:Губайдуллина Алина|Губайдуллина Алина]] ([[Обсуждение участника:Губайдуллина Алина|обсуждение]]) 17:31, 8 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/police_shootings/

Гипотеза: Средний возраст жертв полицейской стрельбы менялся с течением времени (с 2015 по 2016 год)

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

N = 5000, t = 167, P < 0.0001
sample mean = 35,3, 95% CI = [34,85, 35,68]
s = 14,95, SE = 0,2115, df = 5000, α = 0,05, t* = 1,96

Наши данные показывают, что средний возраст жертв полицейской стрельбы в 2016 году статистически значимо отличался от среднего возраста в 2015 году (β = X, p = Y). Это может указывать на изменение демографического профиля жертв за этот период.

Регрессионный анализ выявил статистически значимую связь между годом инцидента и возрастом жертвы (t = 167, p < 0.0001). Уравнение регрессии показало, что с каждым годом средний возраст жертв снижался на [b₁] лет. Таким образом, в данных наблюдается значимый тренд к омоложению людей, вовлеченных в инциденты со стрельбой полиции, в период с 2015 по 2016 год.

== Дополнение с датасетом про ингредиенты ==

--[[Участник:Демина Валерия|Демина Валерия]] ([[Обсуждение участника:Демина Валерия|обсуждение]]) 01:25, 9 декабря 2025 (MSK)

https://corgis-edu.github.io/corgis/csv/ingredients/

Гипотеза: Общее содержание сахара является значимым предиктором общего количества углеводов в пищевых продуктах.

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

N = 2332, t = 30,9, P < 0.0001
sample mean = 11,1, 95% CI = [10,4, 11,81]
s = 17,34, SE = 0,3591, df = 2330, α = 0,05, t* = 1,96

Анализ подтвердил гипотезу о существовании статистически значимой положительной линейной зависимости между содержанием сахара и общим количеством углеводов в исследуемых пищевых продуктах.

Коэффициент регрессии β₁ = 0.869 показывает, что при увеличении содержания сахара на 1 г/100 г продукта, общее содержание углеводов увеличивается в среднем на 0.87 г.

R² = 0.842 означает, что 84.2% вариации общего содержания углеводов объясняется вариацией содержания сахара. Это указывает на очень хорошую предсказательную силу модели.

Файл:Ingridient.png

2025-12-08T22:24:09Z

Демина Валерия:

Файл:Ingridients.png

2025-12-08T22:19:18Z

Демина Валерия:

график зависимости сахара и углеводов