Поле цифровой дидактики - Вклад [ru]

Обсуждение:Flocking(model)

2025-12-27T06:30:53Z

Евгения Будянская:

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

=== NetLogo ===

{{#widget:iframe
|url=https://netlogoweb.org/launch#https://netlogoweb.org/assets/modelslib/Sample%20Models/Biology/Flocking.nlogo
|width=800
|height=600
}}

= Эксперимент 1: Стабилизирующие и объединяющие факторы системы =
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 08:35, 27 декабря 2025 (MSK)
=== Введение ===
'''Цель эксперимента:'''
Исследовать, как соотношение между силой сплоченности (max-cohere-turn) и силой разделения (max-separate-turn) влияет на характеристики самоорганизации стаи:

'''Упорядоченность (order) —''' насколько синхронно и согласованно движутся все агенты в одном направлении

'''Количество стай (num-flocks)''' — число отдельных, не связанных и не взаимодействующих групп агентов

Мы хотим понять: при каком соотношении сил сплоченности и разделения система переходит от множества мелких, разрозненных подгрупп к единой глобальной, хорошо организованной стае?

'''Гипотеза:'''
правило «разделение» (max-separate-turn) является стабилизирующим фактором, предотвращающим столкновения и удерживающим агентов на дистанции друг от друга. Правило «сплоченность» (max-cohere-turn) — объединяющим фактором, притягивающим агентов в одну группу.Если сила сплоченности значительно превышает силу разделения, агенты сбиваются в плотную, но потенциально нестабильную кучу с частыми «толчками». Если разделение слишком сильно, стая не сможет сформироваться и распадется на одиночек или пары.

=== Работа с NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: population = 300, vision = 5, max-align-turn = 5, minimum-separation = 1

Создаем матрицу экспериментов: будем менять два параметра.
* max-cohere-turn: возьмем значения 0, 5, 10, 15, 20
* max-separate-turn: возьмем значения 0, 5, 10, 15, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vT4CYRswUcH8Qj6dQrFbANQON3NYWTSEHIk6sCsOP6CIbatNOv8nx7o8pq85DR94MYfbkwiwhR4qVVN
|width=800
|height=400
}}

https://docs.google.com/spreadsheets/d/1lHd-Iij0O82hH8axMy864D0EGoGvmb0lQ6HWAHE8NDk/edit?usp=sharing
=== Визуализация ===
[[Файл:Cd1.png|400px]]
На этом графике мы видим, что, зачастую, когда сплоченность равна или выше разделению птиц, уровень упорядоченности в стаях растет. Более упорядоченные стаи выделяются яркими красными точками.

[[Файл:Cd2.png|400px]]

На этом же графике заметна следующая последовательность: чем выше уровень упорядоченности, тем меньше стай.

=== Вывод ===
Гипотеза в целом подтверждается данными графика:
Правило сплоченности работает как объединяющий фактор, но только внутри крупных групп.Правило разделения работает как стабилизирующий фактор, особенно в условиях множества мелких групп.
Также наблюдается обратная зависимость между эффективностью сплоченности и разделения в зависимости от количества групп:

Много групп → высокое разделение, низкая сплоченность.

Мало групп → высокая сплоченность, низкое разделение.

= Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай =
--[[Участник:Евгения Будянская|Евгения Будянская]] ([[Обсуждение участника:Евгения Будянская|обсуждение]]) 09:30, 27 декабря 2025 (MSK)
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

= Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации =

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 30 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 400.png]]
[[Файл:Screenshot 399.png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Участник:Евгения Будянская

2025-12-26T20:27:54Z

Евгения Будянская:

{{UserMGPU
|Description=студентка группы АБП-231 Московского городского университета по направлению Аналитика бизнес-процессов
|Field_of_knowledge=Математика, География, Экономика, Образование, Искусственный интеллект, Управление, Обществознание, Спорт, Музыка, Алгебра
|similar_concepts=Экономика, Аналитика, Спорт, Музыкальная культура, Видеомонтаж
|Environment=Qwen, Deepseek, ChatGPT
|Position=Бакалавриат
|Profile=Экономика
|PedDirection=Нет
|Working_On=Участник:ЕвгенияБудянская/SimpleEconomy, Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_еду, Обсуждение:Практическое_задание_по_анализу_временных_рядов#Эксперимент_с_моделью_Segregation_8,
Обсуждение:Flocking(model)
}}
----

См. - [[Участник:ЕвгенияБудянская/SimpleEconomy]]
----

[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Обсуждение:Flocking(model)

2025-12-26T20:20:20Z

Евгения Будянская: /* Настройки NetLogo */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 30 независимых запусков. Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 394.png]]
[[Файл:..png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T20:14:40Z

Евгения Будянская:

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===
На каждом шаге приведены усреднённые по 30 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).

==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': средняя — 0.610

'''Количество стай (num-swarms)''': 86.167

'''Размер наибольшей стаи''': 20.533 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по ~20 птиц). Глобальная координация слабая — каждая стая летит в своём направлении, поэтому order находится на среднем уровне.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.905

'''Количество стай (num-swarms)''': 17.367

'''Размер наибольшей стаи''': 97.800 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~98 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.954

'''Количество стай (num-swarms)''': 3.367

'''Размер наибольшей стаи''': 221.667 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~74% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': очень высокая — 0.958

'''Количество стай (num-swarms)''': 3.267

'''Размер наибольшей стаи''': 220.867 птицы

'''Вывод для Шага 4''': при vision = 7 система остаётся в состоянии глобальной координации, но не достигает полного слияния. Формируется одна доминирующая стая (~74% популяции), а также несколько мелких групп. Движение синхронизировано, но не идеально (order ≈ 0.96).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': почти идеальная — 0.977

'''Количество стай (num-swarms)''': 1.067

'''Размер наибольшей стаи''': 291.300 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~291 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2) система остаётся локальной: множество мелких стай, средний order.
При среднем vision (3–5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 3–5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 394.png]]
[[Файл:..png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T20:07:16Z

Евгения Будянская: /* Таблица усредненных значений */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 230351.png|400px]]
[[Файл:Снимок экрана 2025-12-26 230546.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 394.png]]
[[Файл:..png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Файл:Снимок экрана 2025-12-26 230546.png

2025-12-26T20:07:02Z

Евгения Будянская:

Файл:Снимок экрана 2025-12-26 230351.png

2025-12-26T20:06:29Z

Евгения Будянская:

Обсуждение:Flocking(model)

2025-12-26T19:50:23Z

Евгения Будянская: /* Настройки NetLogo */

=== Описание модели ===
Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (движение в направлении соседей), разделению (избегание столкновений) и сплочённости (стремление к центру группы). Правило разделения имеет приоритет, отменяя остальные при риске столкновения. Направление меняется по этим правилам, скорость остаётся постоянной. Модель применима к птицам, рыбам, насекомым и другим формам группового поведения.

== Эксперимент 2: Влияние дальности обзора (vision) на размер и количество стай ==
=== Гипотеза ===
Дальность обзора (vision) является ключевым фактором, определяющим масштаб самоорганизации. При малом vision агенты взаимодействуют только с ближайшими соседями, что приводит к формированию множества мелких, локально упорядоченных стай. С увеличением vision информация о направлении и положении соседей распространяется дальше, что позволяет сформироваться одной крупной глобальной стае.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSoDkyENyKs5ewD4Vd9G4_SwF7RQDNnNGdavA7Cv4zNXFdU_EbgLiFgKMNxfUbYKLFcDoK1eK21aw5t
|width=800
|height=400
}}
https://docs.google.com/spreadsheets/d/11llgZhWIFs9NyiqzLolcKrxHxnisIoQLOWT6sUU4OZI/edit?usp=sharing

'''Цель эксперимента:''' Исследовать, как дальность обзора (vision) влияет на макроскопические характеристики самоорганизации:

*'''Упорядоченность (order)''' — насколько синхронно движутся все агенты (0 = хаос, 1 = полная согласованность);
*'''Количество стай (num-swarms)''' — число отдельных, не связанных групп;
*'''Размер наибольшей стаи (max-swarm-size)''' — сколько агентов в самой крупной группе.
Мы хотим понять: при каких значениях vision система переходит от множества мелких стай к единой глобальной стае

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Были добавлены три глобальные переменные (order, num-swarms, max-swarm-size) для автоматического измерения ключевых метрик.
{{#widget:iframe
|url=https://netlogoweb.org/launch#https://budyanskaya.github.io/netlogo/Flocking.nlogo
|width=1000
|height=800
}}

Эксперимент проводился при пяти значениях vision: 2, 3, 5, 7, 10, при фиксированных параметрах:
population = 300,
minimum-separation = 1,
max-align-turn = 5,
max-cohere-turn = 3,
max-separate-turn = 1.5.

Каждый прогон длился 300 тиков (времени, достаточного для стабилизации системы). Для каждого значения vision выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.
===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTec7A-EeRfVBtHbVY9H4oynyixieO5SNZZIQYnvrlHjgBlB_QQ_OiWwIhtIEZE-tsfLSedA9NWC_VZ
|width=800
|height=400
}}
[[Файл:Снимок экрана 2025-12-26 044821.png|400px]]
[[Файл:Снимок экрана 2025-12-26 045054.png|400px]]

=== Анализ результатов (Шаг 1–5) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 300-м тике.

*'''Ось X''': значение параметра vision (2 → 10).
*'''Ось Y (слева)''': средняя упорядоченность (order).
*'''Ось Y (справа)''': среднее количество стай (num-swarms).
*'''Синие столбцы''': размер наибольшей стаи (max-swarm-size).
==== Шаг 1 эксперимента (vision = 2) ====

'''Упорядоченность (order)''': низкая — 0.42

'''Количество стай (num-swarms)''': 96.4

'''Размер наибольшей стаи''': 19 птиц

'''Вывод для Шага 1''': при очень ограниченном радиусе обзора птицы взаимодействуют только с ближайшими соседями. Система фрагментирована: образуется множество мелких стай (в среднем по 19 птиц). Глобальная координация отсутствует — каждая стая летит в своём направлении, поэтому order низкий.

==== Шаг 2 эксперимента (vision = 3) ====

'''Упорядоченность (order)''': высокая — 0.85

'''Количество стай (num-swarms)''': 23.6

'''Размер наибольшей стаи''': 101 птицы

'''Вывод для Шага 2''': увеличение vision до 3 расширяет зону взаимодействия. Стаи становятся крупнее, их количество снижается. Наибольшая стая теперь содержит ~100 птиц и демонстрирует устойчивое направление. Упорядоченность растёт, система начинает переходить к глобальной координации.

==== Шаг 3 эксперимента (vision = 5) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 4.2

'''Размер наибольшей стаи''': 182 птицы

'''Вывод для Шага 3''': при vision = 5 система проходит '''фазовый переход'''. Формируется одна доминирующая стая, включающая ~60% популяции. Остальные птицы либо летят поодиночке, либо в мелких группах. Глобальная координация становится возможной — order резко возрастает.

==== Шаг 4 эксперимента (vision = 7) ====

'''Упорядоченность (order)''': почти идеальная — 0.98

'''Количество стай (num-swarms)''': 1.6

'''Размер наибольшей стаи''': 281 птицы

'''Вывод для Шага 4''': при vision = 7 почти вся популяция сливается в одну стаю. Оставшиеся 1–2 птицы — временные «отщепенцы», которые быстро присоединяются к основной группе. Движение становится почти идеально синхронизированным (order > 0.97).

==== Шаг 5 эксперимента (vision = 10) ====

'''Упорядоченность (order)''': очень высокая — 0.96

'''Количество стай (num-swarms)''': 1.4

'''Размер наибольшей стаи''': 248 птицы

'''Вывод для Шага 5''': при максимальном vision = 10 система достигает состояния глобального порядка. Формируется единая стая из почти всех агентов (~250 из 300). Отклонения минимальны, хаотичное поведение отсутствует. vision = 10 эквивалентен «глобальному взаимодействию» — каждый агент «видит» почти всю популяцию.

=== Главный вывод ===

Гипотеза полностью подтверждена. Дальность обзора (vision) напрямую определяет масштаб самоорганизации в системе:

При низком vision (2–3) система остаётся локальной: множество мелких стай, низкий order.
При среднем vision (5) происходит фазовый переход к глобальной координации.
При высоком vision (7–10) система достигает единого, устойчивого порядка.
Это демонстрирует, что vision — это параметр глобальной связности. Он определяет, насколько далеко распространяется «социальная информация» о направлении движения. Без достаточного радиуса обзора глобальный порядок невозможен.

=== Заключение ===

Модель Flocking демонстрирует, что сложное, координированное поведение может возникать без лидера и без централизованного управления — достаточно трёх простых правил и достаточной дальности взаимодействия. Параметр vision выступает как «кнопка глобальности»: при его увеличении система переходит от хаоса к порядку через критический порог (vision ≈ 5). Это прекрасная иллюстрация эмерджентности — появления глобальных свойств из локальных взаимодействий.
подходит ли это к моим графикам?

== Эксперимент 3: Роль правила "Выравнивание" (align) как фактора синхронизации ==

=== Гипотеза ===
Правило «выравнивание» не является строго необходимым для формирования скопления (кучи агентов), но оно критически важно для формирования именно стаи — группы, движущейся согласованно в одном направлении. Без выравнивания или при его слабой силе сформируется «роение» — плотное, но беспорядочно мечущееся скопление.

'''Цель эксперимента:''' Оценить вклад правила align в общий показатель упорядоченности order и в стабильность направления движения стаи.

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vSaqTQTHYE1KsT4ac00vVG4iS_QQh-DhTRJr7HIEIYMsvwnvsnhizZ_H6dHSVsmarR6hLOHiaWnfYYQ/pubhtml

=== Настройки NetLogo ===
Для получения датасета модель Flocking была загружена в NetLogo Desktop. Фиксируем параметры: vision=5, cohere=3, separate=1.5, min-sep=1, population=300.

Эксперимент проводился при шести значениях max-align-turn: 0, 1, 2, 5, 10, 20

Каждый прогон длился 400 тиков. Для каждого значения max-align-turn выполнено 5 независимых запусков (с разным случайным начальным положением птиц). Данные усреднены по повторам.

===== Таблица усредненных значений =====
{{#widget:Google Spreadsheet
|key=e/2PACX-1vTF9mBJ7Fu9AWHWPErVCVC23BZ7sgOoBvmWQ7poS8N1jXyVlGo8pj1v6WxLiWIVfH3u40VGn3VQUxFc/}}

[[Файл:Screenshot 394.png]]
[[Файл:..png]]

=== Анализ результатов (Шаг 1–6) ===

На каждом шаге приведены усреднённые по 5 запускам значения метрик на 400-м тике.

==== Шаг 1 эксперимента (align = 0) ====

'''Средний order''': 0.06 (очень низкий)

'''Средняя амплитуда''': 0.03 (минимальная)

'''Вывод для Шага 1''': Без правила выравнивания агенты не могут синхронизировать направление движения. Они образуют плотное скопление («рой»), которое дёргается на месте или медленно дрейфует без общего вектора. Низкая амплитуда означает, что система не колеблется между порядком и хаосом — она просто стабильно хаотична.

==== Шаг 2 эксперимента (align = 1) ====

'''Средний order''': 0.89 (высокий, но не максимальный)

'''Средняя амплитуда''': 0.15 (наибольшая среди всех значений)

'''Вывод для Шага 2''': Появилось слабое выравнивание — агенты начинают двигаться согласованно, но система нестабильна. Стая часто меняет направление, «рыскает», что видно по высокой амплитуде. Это пограничный режим между роением и стаей.

==== Шаг 3 эксперимента (align = 2) ====

'''Средний order''': 0.94 (близко к максимуму)

'''Средняя амплитуда''': 0.04 (резкое снижение)

'''Вывод для Шага 3''': Достаточная сила выравнивания для быстрой синхронизации и стабильности. Стая уверенно летит, редко меняет направление. Амплитуда снизилась в 4 раза по сравнению с align=1.

==== Шаг 4 эксперимента (align = 5) ====

'''Средний order''': 0.97 (почти идеальный порядок)

'''Средняя амплитуда''': 0.02 (очень низкая)

'''Вывод для Шага 4''': Оптимальный режим. Стая быстро синхронизируется и движется плавно, без резких манёвров. Высокий order и минимальные колебания — идеальный баланс между реактивностью и устойчивостью.

==== Шаг 5 эксперимента (align = 10) ====

'''Средний order''': 0.98 (максимальный)

'''Средняя амплитуда''': 0.01 (самая низкая)

'''Вывод для Шага 5''': Сильное выравнивание приводит к сверхстабильности. Стая становится почти «жесткой» — агенты мгновенно реагируют на изменения направления, но из-за этого система теряет гибкость. Тем не менее, в данных это проявляется как максимальный порядок и минимальные колебания.

==== Шаг 6 эксперимента (align = 20) ====

'''Средний order''': 0.975 (остается на максимуме)

'''Средняя амплитуда''': 0.02

'''Вывод для Шага 6''': При экстремально сильном выравнивании стая демонстрирует сверхбыструю синхронизацию — любой лидер или флуктуация направления мгновенно передаётся всей группе. Движение стаи становится более «резким» — плавные дуги заменяются на более угловатые траектории, но общее направление сохраняется. Гипотеза о гиперреактивности подтверждается на уровне механики движения.

=== Заключение ===

Гипотеза подтвердилась. Правило «выравнивание» — это «двигатель» и «руль» стаи. Оно преобразует статичное или хаотичное скопление (`cohere`+`separate`) в целенаправленно движущееся образование. Его сила должна быть достаточной для быстрой синхронизации, но не чрезмерной, чтобы не вызывать резких нервных маневров всей группы.

Обсуждение:Flocking(model)

2025-12-26T02:19:00Z

Евгения Будянская:

Обсуждение:Flocking(model)

2025-12-26T02:07:36Z

Евгения Будянская:

Файл:Снимок экрана 2025-12-26 045054.png

2025-12-26T01:58:41Z

Евгения Будянская:

Файл:Снимок экрана 2025-12-26 044821.png

2025-12-26T01:57:50Z

Евгения Будянская:

Обсуждение:Flocking(model)

2025-12-25T21:36:12Z

Евгения Будянская: Новая страница: «=== Описание модели === Модель самопроизвольного формирования стаи — агентно-ориентированная модель по Рейнольдсу (1987), показывающая, как сложные коллективные паттерны возникают без вожаков: каждый агент следует трём простым правилам — выравниванию (д...»

Участник:Евгения Будянская

2025-12-13T06:20:17Z

Евгения Будянская:

{{UserMGPU
|Description=студентка группы АБП-231 Московского городского университета по направлению Аналитика бизнес-процессов
|Field_of_knowledge=Математика, География, Экономика, Образование, Искусственный интеллект, Управление, Обществознание, Спорт, Музыка, Алгебра
|similar_concepts=Экономика, Аналитика, Спорт, Музыкальная культура, Видеомонтаж
|Environment=Qwen, Deepseek, ChatGPT
|Position=Бакалавриат
|Profile=Экономика
|PedDirection=Нет
|Working_On=Участник:ЕвгенияБудянская/SimpleEconomy, Обсуждение:Как_провести_регрессионный_анализ#Дополнение_с_датасетом_про_еду, Обсуждение:Практическое_задание_по_анализу_временных_рядов#Эксперимент_с_моделью_Segregation_8
}}
----

См. - [[Участник:ЕвгенияБудянская/SimpleEconomy]]
----

[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Обсуждение:Практическое задание по анализу временных рядов

2025-12-08T18:34:07Z

Евгения Будянская: /* Эксперимент с моделью Segregation */

== 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.

Обсуждение:Практическое задание по анализу временных рядов

2025-12-08T18:28:02Z

Евгения Будянская:

== 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 - 63%

*
https://docs.google.com/spreadsheets/d/1R6T8kPpEQDiSnrBEYyxkFWKDEGc-_vI3-eetTAGwdR0/edit?usp=sharing

{{#widget:Google Spreadsheet
|key=e/2PACX-1vSptwy_wuvRxMiltM9J_tDa3_AyKTYGz-ylmVLal5T9ryLjq9bvxWT-WsX0KtQZv06RhnmIOheETRXI
|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.

Файл:V666.png

2025-12-08T18:22:37Z

Евгения Будянская:

Файл:Dig1.png

2025-12-08T18:21:51Z

Евгения Будянская:

dig1

Обсуждение:Как провести регрессионный анализ

2025-12-08T12:54:54Z

Евгения Будянская: /* Дополнение с датасетом про еду */

== 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.

Файл:График про еду.png

2025-12-08T12:54:42Z

Евгения Будянская:

График про еду

Обсуждение:Как провести регрессионный анализ

2025-12-08T12:28:25Z

Евгения Будянская:

== 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 еды.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.

Файл:График еды.png

2025-12-08T12:22:08Z

Евгения Будянская:

График еды

Участник:Евгения Будянская

2025-11-28T18:46:01Z

Евгения Будянская:

Участник:ЕвгенияБудянская/SimpleEconomy

2025-11-28T18:43:17Z

Евгения Будянская: Новая страница: «== Simple Economy == {{#ask: Simple Economy | ?Description }} <netlogo model="Simple_Economy" /> == Примеры математических формул == === 1. Выборочное среднее (арифметическое) === <math>\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i</math> где: * <math>x_i</math> — i-е наблюдение в выборке * <math>n</math> — объём выборки === 2. Выборочная д...»

== Simple Economy ==

{{#ask: [[Simple Economy]] | ?Description }}

<netlogo model="Simple_Economy" />

== Примеры математических формул ==

=== 1. Выборочное среднее (арифметическое) ===

<math>\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i</math>

где:
* <math>x_i</math> — i-е наблюдение в выборке
* <math>n</math> — объём выборки

=== 2. Выборочная дисперсия (несмещённая) ===

<math>s^2 = \frac{1}{n - 1} \sum_{i=1}^{n} (x_i - \bar{x})^2</math>

где:
* <math>\bar{x}</math> — выборочное среднее
* <math>n - 1</math> — поправка Бесселя (обеспечивает несмещённость)

=== 3. Средняя абсолютная ошибка (MAE) ===

<math>\text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |x_i - m|</math>

где:
* <math>m</math> — мера центральной тенденции (например, медиана)
* Этот показатель устойчив к выбросам

=== 4. Эмпирический коэффициент эксцесса ===

<math>g_2 = \frac{m_4}{s^4} - 3, \quad \text{где } m_4 = \frac{1}{n} \sum_{i=1}^{n} (x_i - \bar{x})^4</math>

где:
* <math>m_4</math> — центральный момент 4-го порядка
* Вычитание 3 приводит значение к «избытку эксцесса» относительно нормального распределения

=== 5. Стандартная ошибка среднего ===

<math>\text{SEM} = \frac{s}{\sqrt{n}}</math>

где:
* <math>s</math> — выборочное стандартное отклонение
* <math>n</math> — объём выборки
* SEM оценивает точность выборочного среднего как оценки генерального среднего

=== 6. Медиана выборки ===

Для упорядоченной выборки <math>x_{(1)} \le x_{(2)} \le \dots \le x_{(n)}</math>:

<math>
M_e =
\begin{cases}
x_{\left(\frac{n+1}{2}\right)}, & \text{если } n \text{ нечётное} \\
\frac{1}{2} \left( x_{\left(\frac{n}{2}\right)} + x_{\left(\frac{n}{2}+1\right)} \right), & \text{если } n \text{ чётное}
\end{cases}
</math>

где:
* <math>x_{(k)}</math> — k-я порядковая статистика
* Медиана устойчива к экстремальным значениям (выбросам)

Qwen

2025-09-19T08:43:41Z

Евгения Будянская:

{{DigitalTool
|Description=Qwen — семейство больших языковых моделей, разработанных компанией Alibaba Cloud.
|Affordances=*Поиск и верификация данных онлайн. Автоматизированный сбор самой свежей информации из открытых источников в интернете.

*Многоформатный анализ документов. Возможность загружать и обрабатывать большое количество файлов разных типов (документы, электронные таблицы, PDF) для комплексного изучения.

*Глубокий смысловой анализ. Система не просто ищет данные, а анализирует их, выявляет взаимосвязи и формулирует логические умозаключения.

*Решение комплексных задач. Способность обрабатывать сложные запросы, требующие синтеза информации из разных источников, и давать развернутые ответы.

*Удобный доступ через мессенджеры. Полная интеграция с Telegram и другими платформами для получения результатов в привычной среде.
|Field_of_knowledge=Искусственный интеллект, Большие данные, Статистика
|Область применения=Образование
|Website=https://chat.qwen.ai/
|End users=Учащиеся, Преподаватели, Исследователи
|Tool is made for=генерация контента
|Community=Qwen
|launch year=2023
|distant_collab=Нет
|Language_Ru_Eng=English
|AI=Да
}}

Qwen

2025-09-19T08:38:59Z

Евгения Будянская:

{{DigitalTool
|Description=Qwen — семейство больших языковых моделей, разработанных компанией Alibaba Cloud.
|Affordances=*Поиск и верификация данных онлайн. Автоматизированный сбор самой свежей информации из открытых источников в интернете.

*Многоформатный анализ документов. Возможность загружать и обрабатывать большое количество файлов разных типов (документы, электронные таблицы, PDF) для комплексного изучения.

*Глубокий смысловой анализ. Система не просто ищет данные, а анализирует их, выявляет взаимосвязи и формулирует логические умозаключения.

*Решение комплексных задач. Способность обрабатывать сложные запросы, требующие синтеза информации из разных источников, и давать развернутые ответы.

*Удобный доступ через мессенджеры. Полная интеграция с Telegram и другими платформами для получения результатов в привычной среде.
|Field_of_knowledge=Искусственный интеллект
|Website=https://chat.qwen.ai/
|Tool is made for=генерация контента
|distant_collab=Нет
|Language_Ru_Eng=English
|AI=Да
}}

Участник:Евгения Будянская

2025-09-19T08:31:36Z

Евгения Будянская:

Участник:Евгения Будянская

2025-09-06T08:00:16Z

Евгения Будянская:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Экономика, Аналитика
|Environment=Qwen, Deepseek
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Qwen

2025-09-06T07:51:53Z

Евгения Будянская: Новая страница: «{{DigitalTool |distant_collab=Нет |AI=Да }}»

Участник:Евгения Будянская

2025-09-06T07:47:44Z

Евгения Будянская:

{{UserMGPU
|Field_of_knowledge=Экономика
|similar_concepts=Экономика, Аналитика
|Environment=Qwen
|PedDirection=Нет
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:Евгения Будянская

2025-09-06T07:43:32Z

Евгения Будянская: Новая страница: «---- Категория:UserMGPU Категория:АБП-231»

----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]