Поле цифровой дидактики - Вклад [ru]

Эксперименты с моделью Segregation

2025-12-27T07:45:24Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

сбор данных

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTq5F33BUkr5oYlb_JE2N1unFhA8MQmym2h93IuSOccWRe7lw12pi6NzrvIWUscFalsB4Yx0uMal1fy
}}

https://docs.google.com/spreadsheets/d/e/2PACX-1vTq5F33BUkr5oYlb_JE2N1unFhA8MQmym2h93IuSOccWRe7lw12pi6NzrvIWUscFalsB4Yx0uMal1fy/pubhtml

Замедление темпов.

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

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

Выводы эксперимента:

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

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

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

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

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

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

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

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

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

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

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

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

Эксперименты с моделью Segregation

2025-12-27T07:34:22Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

сбор данных

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTq5F33BUkr5oYlb_JE2N1unFhA8MQmym2h93IuSOccWRe7lw12pi6NzrvIWUscFalsB4Yx0uMal1fy
}}
Замедление темпов.

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

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

Выводы эксперимента:

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

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

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

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

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

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

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

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

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

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

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

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

Эксперименты с моделью Segregation

2025-12-27T07:18:46Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

сбор данных

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTq5F33BUkr5oYlb_JE2N1unFhA8MQmym2h93IuSOccWRe7lw12pi6NzrvIWUscFalsB4Yx0uMal1fy
}}
Замедление темпов.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Эксперименты с моделью Segregation

2025-12-27T06:27:12Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Эксперименты с моделью Segregation

2025-12-27T06:26:44Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Файл:Снимок экрана 2025-12-27 092514.png

2025-12-27T06:26:09Z

DolzhenkovaPV:

324334

Файл:Снимок экрана 2025-12-27 091947.png

2025-12-27T06:22:10Z

DolzhenkovaPV:

ывмва

Эксперименты с моделью Segregation

2025-12-27T00:09:28Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

Файл:Снимок экрана 2025-12-27 030350.png

2025-12-27T00:08:43Z

DolzhenkovaPV:

ампккымап

Эксперименты с моделью Segregation

2025-12-27T00:03:34Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

Эксперименты с моделью Segregation

2025-12-27T00:01:48Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */

Эксперименты с моделью Segregation

2025-12-27T00:00:51Z

DolzhenkovaPV: /* Эксперимент 2 Зависимость при высоких порогах толерантности (55% — 75%) */ новая тема

Обсуждение:Практическое задание по анализу временных рядов

2025-11-24T07:08:40Z

DolzhenkovaPV:

== 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 ==

Это пример постановки эксперимента

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

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%
# Встроить документ в страницу - [[Google Sheets]]

*
18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

== 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
}}

== Датасет как вики таблица ==

* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Urban_Suite_-_Economic_Disparity ==

* [[Urban_Suite_-_Economic_Disparity]]
** http://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/EconomicDisparity_experiment1.csv

== 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]]

Файл:2025-11-24 10-02-54.png

2025-11-24T07:03:34Z

DolzhenkovaPV:

ajnj

Файл:2025-11-24 09-52-33.png

2025-11-24T06:57:31Z

DolzhenkovaPV:

ajnj

Обсуждение:Практическое задание по анализу временных рядов

2025-11-20T19:01:17Z

DolzhenkovaPV:

== 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 ==

Это пример постановки эксперимента

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

Условия эксперимента:
# Плотность - 95%
# Таких же как я - 70%
# Встроить документ в страницу - [[Google Sheets]]

*
18ETlNj_PdpHHS31PXFFE3xKZz2Fi-4xkqeDgUYEfN_M/edit?usp=sharing

== 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
}}

== Датасет как вики таблица ==

* https://raw.githubusercontent.com/patarakin/stat-data/ee3ff311001c6097690360309525529610f4cda1/datasets/csv/Segregation_experiment1.csv

== Urban_Suite_-_Economic_Disparity ==

* [[Urban_Suite_-_Economic_Disparity]]
** http://raw.githubusercontent.com/patarakin/stat-data/refs/heads/main/datasets/csv/EconomicDisparity_experiment1.csv

== Эксперимент с моделью Segregation ==

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

Обсуждение:Практическое задание по анализу временных рядов

2025-11-20T18:57:20Z

DolzhenkovaPV:

Обсуждение:Как провести регрессионный анализ

2025-11-20T11:23:12Z

DolzhenkovaPV:

== 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.

Файл:2025-11-20 14-20-20.png

2025-11-20T11:20:46Z

DolzhenkovaPV:

2025-11-18T15:01:00Z

DolzhenkovaPV: Новая страница: «---- Категория:UserMGPU Категория:АБП-231»

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