Поле цифровой дидактики - Вклад [ru]

Обсуждение:Практическое задание по анализу временных рядов

2026-01-12T19:50:18Z

TyulenevAV:

== 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 ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:09, 21 декабря 2025 (MSK)

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

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

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

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

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

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

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

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

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

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

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

== Эксперимент с моделью Segregation ==

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

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

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

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

[[Файл:Dig1.png|550px]]

Затем построим графики в RawGraph:

[[Файл:V666.png|700px]]

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

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

Условия эксперимента:

1. Плотность - 92%

2. Таких же как я - 79%

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

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

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

Построим диаграммы рассеивания в CODAP:

[[Файл:Диаграммы.png]]

Построим графики в RawGraph:

[[Файл:Графикиии.png]]

== Эксперимент с моделью Segregation ==

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

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

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

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

[[Файл:Grafic.png]]

Затем построим графики в RawGraph:

[[Файл:111.png]]

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

== Эксперимент с моделью Segregation ==

--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 12:38, 9 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 91%
# Таких же как я - 59%

*
https://docs.google.com/spreadsheets/d/1LN5JDLVOwUvy4e5urHivpIrDHr5cg6x2ELrqEpVkDic/edit?gid=1093335053#gid=1093335053

{{#widget:Google Spreadsheet
|key=e/2PACX-1vTtj8mx3YlVlgDJkE3eo681lK7O-yWJ-WnLySGH9wyrFZ6E8tNMUed0f-VSYqxbU7K3fOPpSGOZvuTi
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===

Начнём с построения диаграммы рассеивания в CODAP:

[[Файл:Damdi nothappy.png|600px]]

После построим графики в RawGraph:

[[Файл:Rowhappy damdinova.png|700px]]

Вывод:
Результаты моделирования соответствуют теоретическому ожиданию: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени. Это является естественным следствием механизмов, заложенных в модель сегрегации.

== Эксперимент с моделью Segregation ==
--[[Участник:ZatsepinNA|ZatsepinNA]] ([[Обсуждение участника:ZatsepinNA|обсуждение]]) 00:00, 26 декабря 2025 (MSK)
Условия эксперимента:
# Плотность - 84%
# Таких же как я - 75%
https://docs.google.com/spreadsheets/d/e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI/pubhtml
{{#widget:Google Spreadsheet
|key=e/2PACX-1vQZpKxbgrmU3cqtiT3B94E2iodLiqhmZcSN2omG3u6iLpvNgBIPzXl1yb9jxzX1Lcq8Q5ihTlvPWiMI
|width=500
|height=400
}}
=== Визуализация графиков в RawGraph по модели Segregation(общий датасет) ===
Начнём с построения диаграммы рассеивания в CODAP:
[[Файл:Zatsepin unhappy.jpg|600px]]

После построим графики в RawGraph:
[[Файл:Vizzzzz.png|600px]]

Вывод:
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 сегрегаци

== Эксперимент с моделью Segregation ==

--[[Участник:OlesyaPirozhkova|Олеся Пирожкова]] ([[Обсуждение участника:OlesyaPirozhkova|обсуждение]]) 03:12, 27 декабря 2025 (MSK)

Условия эксперимента:
# Плотность - 83%
# Таких же как я - 61%

*
https://docs.google.com/spreadsheets/d/1ArXktXRpKr9C3hhkHkGTjl0CxxW_bK_V4C5Be3Z0sHk/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:Скриншот 27-12-2025 023841.jpg]]

Затем построим графики в RawGraph:

[[Файл:Ыв.jpg]]

Результаты моделирования подтверждают теоретическое предположение: на всех кривых независимо от начальных условий наблюдается общая тенденция к снижению доли несчастливых агентов со временем. Это снижение является закономерным и ожидаемым итогом социального процесса, заложенного в модель сегрегации.

== Эксперимент с моделью Segregation ==

--[[Участник:TyulenevAV|TyulenevAV]] ([[Обсуждение участника:TyulenevAV|обсуждение]]) 22:32, 12 января 2026 (MSK)

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

*
https://docs.google.com/spreadsheets/d/1t8UfpQHAbKjRH6S17Ds_-cHkZNoCu1N0efaTxmkZ4go/edit?usp=sharing
{{#widget:Google Spreadsheet
|key=e/2PACX-1vR__5Nl7G3-NzBoLGQYy0aKm4VElROpU5zb3_GCfjfJwYgHEcXioDaagxPmd4e--Gv16wDRiNFKTbb8
|width=500
|height=400
}}

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

[[Файл:Снимок экрана 2026-01-12 223535.png|770 ptx]]

Затем построим графики в RawGraph:

[[Файл:Снимок экрана 2026-01-12 224737.png|770 ptx]]

Вывод:
Результаты моделирования соответствуют теоретическому предположению: на всех графиках наблюдается устойчивая тенденция к уменьшению доли несчастливых агентов с течением времени, что является естественным следствием механизмов, заложенных в модель сегрегации.

Файл:Снимок экрана 2026-01-12 224737.png

2026-01-12T19:48:44Z

TyulenevAV:

Ещё картинка)

Файл:Снимок экрана 2026-01-12 223535.png

2026-01-12T19:37:28Z

TyulenevAV:

Картинка)

Обсуждение:Практическое задание по анализу временных рядов

2026-01-12T19:32:20Z

TyulenevAV:

Обсуждение:Как провести регрессионный анализ

2026-01-12T19:10:55Z

TyulenevAV: /* Дополнение с датасетом про небоскребы */

== 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 ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:13, 21 декабря 2025 (MSK)

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

Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

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

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

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

== Дополнение с датасетом про астронавтов ==

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

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

[[Файл:Астронавты.png|500px]]

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

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

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

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

== Дополнение с датасетом про энергию ==

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

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

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

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

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

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

== Дополнение с датасетом про демографию ==

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

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

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

[[Файл:График демографии.png|650px]]

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

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

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

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

== Дополнение с датасетом про автомобили ==

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

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

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

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

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

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

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

== Дополнение с датасетом про авиаперелеты ==

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

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

[[Файл:Полёты.png|650px]]

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

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

== Дополнение с датасетом про еду ==

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

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

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

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

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

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

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

== Дополнение с датасетом про стрельбу в полиции ==

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

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

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

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

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

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

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

== Дополнение с датасетом про ингредиенты ==

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

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

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

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

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

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

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

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

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

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

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

== Дополнение с датасетом про выпускников ==

--[[Участник:OlesyaPirozhkova|Олеся Пирожкова]] ([[Обсуждение участника:OlesyaPirozhkova|обсуждение]]) 03:35, 27 декабря 2025 (MSK)

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

Гипотеза: Чем больше выпускников с магистерской степенью, тем выше средняя зарплата.

[[Файл:Скриншот 27-12-2025 033155.jpg]]

Is the mean of Education.Degrees.Masters ≠ 0 ?

N = 517, t = 9,85, P < 0.0001
sample mean = 56300, 95% CI = [45090, 67540]
s = 129900, SE = 5714, df = 516, α = 0,05, t* = 1,96

* Вывод: Результаты анализа подтверждают, что существует статистически значимая положительная связь между количеством выпускников с магистерской степенью и их средней зарплатой. Значение t-статистики (9,85) и p-value (<0,0001) указывают на высокую надёжность этой связи. Среднее количество магистров составляет 56 300 человек, причём с 95% уверенностью можно утверждать, что истинное значение лежит между 45 090 и 67 540. Таким образом, специальности с большим числом магистров демонстрируют более высокий уровень доходов, что подтверждает гипотезу о влиянии высшего образования на заработную плату.
* Однако корреляция не доказывает причинно-следственную связь — возможны влияния сторонних факторов (престиж профессии, отраслевые особенности). Для уточнения рекомендуется расширить анализ с включением дополнительных переменных.

== Дополнение с датасетом про небоскребы ==

--[[Участник:TyulenevAV|TyulenevAV]] ([[Обсуждение участника:TyulenevAV|обсуждение]]) 22:10, 12 января 2026 (MSK)

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

Гипотеза: Высота здания положительно коррелирует с количеством этажей , то есть чем больше этажей в здании, тем выше его общая высота, при прочих равных условиях

[[Файл:Photo 2026-01-12 21-54-25.jpg|600 ptx]]

Is the mean of statistics.height ≠ 0 ?

n = 2431, sample mean = 132, s = 67,83, SE = 1,376
t = 96,3, df = 2430, α = 0,05, t* = 1,96, (statistics.height)* = 2,7
pValue < 0.0001, 95% CI = [129,7, 135,1]

Вывод: Гипотеза о положительной связи между этажностью и высотой здания подтверждается. Количество этажей служит надёжным базовым индикатором для предсказания высоты. Однако для создания более точной модели целесообразно включить дополнительные факторы, такие как основной материал конструкции и основное функциональное назначение здания, что позволит учесть выявленные систематические отклонения.

Обсуждение:Как провести регрессионный анализ

2026-01-12T18:56:19Z

TyulenevAV:

== 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 ==
--[[Участник:Григорий Глаголенко|Григорий Глаголенко]] ([[Обсуждение участника:Григорий Глаголенко|обсуждение]]) 23:13, 21 декабря 2025 (MSK)

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

Гипотеза: медианная зарплата является хорошим предиктором средней зарплаты выпускников, и увеличение медианной зарплаты связано с пропорциональным увеличением средней зарплаты.

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

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

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

== Дополнение с датасетом про астронавтов ==

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

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

[[Файл:Астронавты.png|500px]]

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

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

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

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

== Дополнение с датасетом про энергию ==

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

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

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

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

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

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

== Дополнение с датасетом про демографию ==

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

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

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

[[Файл:График демографии.png|650px]]

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

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

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

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

== Дополнение с датасетом про автомобили ==

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

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

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

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

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

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

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

== Дополнение с датасетом про авиаперелеты ==

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

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

[[Файл:Полёты.png|650px]]

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

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

== Дополнение с датасетом про еду ==

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

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

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

[[Файл:График про еду.png|650px]]

Is the mean of Data.Protein ≠ 0 ?

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

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

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

== Дополнение с датасетом про стрельбу в полиции ==

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

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

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

[[Файл:Screenshot 305.png]]

Is the mean of Person.Age ≠ 0 ?

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

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

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

== Дополнение с датасетом про ингредиенты ==

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

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

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

[[Файл:Ingridient.png]]

Is the mean of Data.Sugar Total ≠ 0 ?

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

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

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

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

== Дополнение с датасетом про землетрясения ==
--[[Участник:Дамдинова Кристина|Дамдинова Кристина]] ([[Обсуждение участника:Дамдинова Кристина|обсуждение]]) 11:07, 9 декабря 2025 (MSK)

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

Гипотеза: Возможно, существует зависимость между глубиной эпицентра землетрясения и его магнитудой: чем глубже происходит сейсмическое событие, тем выше его магнитуда (или наоборот).

[[Файл:Землетрясения.png|700px]]

Is the mean of impact.magnitude ≠ 0 ?

N = 5000, t = 93,3, P < 0.0001
sample mean = 1,49, 95% CI = [1,461, 1,523]
s = 1,131, SE = 0,01599, df = 5000, α = 0,05, t* = 1,96

Исходя из анализа данных, мы получаем обратную связь между глубиной эпицентра и магнитудой землетрясения: с увеличением глубины на 1 км магнитуда в среднем снижается примерно на ≈0,01–0,02 балла. Это частично подтверждает гипотезу, но в обратном направлении: более глубокие землетрясения в среднем оказываются слабее (в пределах данных с магнитудой ≈1,49).

Однако связь крайне слабая (R² < 0,05), так как на магнитуду влияют множество других факторов — тип тектонического разлома, регион, энергия высвобождения.

== Дополнение с датасетом про выпускников ==

--[[Участник:OlesyaPirozhkova|Олеся Пирожкова]] ([[Обсуждение участника:OlesyaPirozhkova|обсуждение]]) 03:35, 27 декабря 2025 (MSK)

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

Гипотеза: Чем больше выпускников с магистерской степенью, тем выше средняя зарплата.

[[Файл:Скриншот 27-12-2025 033155.jpg]]

Is the mean of Education.Degrees.Masters ≠ 0 ?

N = 517, t = 9,85, P < 0.0001
sample mean = 56300, 95% CI = [45090, 67540]
s = 129900, SE = 5714, df = 516, α = 0,05, t* = 1,96

* Вывод: Результаты анализа подтверждают, что существует статистически значимая положительная связь между количеством выпускников с магистерской степенью и их средней зарплатой. Значение t-статистики (9,85) и p-value (<0,0001) указывают на высокую надёжность этой связи. Среднее количество магистров составляет 56 300 человек, причём с 95% уверенностью можно утверждать, что истинное значение лежит между 45 090 и 67 540. Таким образом, специальности с большим числом магистров демонстрируют более высокий уровень доходов, что подтверждает гипотезу о влиянии высшего образования на заработную плату.
* Однако корреляция не доказывает причинно-следственную связь — возможны влияния сторонних факторов (престиж профессии, отраслевые особенности). Для уточнения рекомендуется расширить анализ с включением дополнительных переменных.

== Дополнение с датасетом про небоскребы ==

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

Гипотеза: Высота здания положительно коррелирует с количеством этажей , то есть чем больше этажей в здании, тем выше его общая высота, при прочих равных условиях

[[Файл:Photo 2026-01-12 21-54-25.jpg|600 ptx]]

Is the mean of statistics.height ≠ 0 ?

n = 2431, sample mean = 132, s = 67,83, SE = 1,376
t = 96,3, df = 2430, α = 0,05, t* = 1,96, (statistics.height)* = 2,7
pValue < 0.0001, 95% CI = [129,7, 135,1]

Вывод: Гипотеза о положительной связи между этажностью и высотой здания подтверждается. Количество этажей служит надёжным базовым индикатором для предсказания высоты. Однако для создания более точной модели целесообразно включить дополнительные факторы, такие как основной материал конструкции и основное функциональное назначение здания, что позволит учесть выявленные систематические отклонения.

Файл:Photo 2026-01-12 21-54-25.jpg

2026-01-12T18:55:41Z

TyulenevAV:

Картинка

Участник:TyulenevAV/SimpleEconomy

2026-01-12T18:47:19Z

TyulenevAV: /* Примеры математических формул */

== Simple Economy ==

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

<netlogo model="Simple_Economy" />

==== Примеры математических формул ====

''Дисперсия''

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

''Стандартное отклонение''

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

''Выборочная дисперсия''

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

''Медиана''

<math>\text{Med} = \begin{cases}
x_{((n+1)/2)} & \text{если } n \text{ нечётно} \\
\frac{x_{(n/2)} + x_{(n/2 + 1)}}{2} & \text{если } n \text{ чётно}
\end{cases}</math>

''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)

''Выборочное среднее (арифметическое)''

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

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

Участник:TyulenevAV/SimpleEconomy

2026-01-12T18:44:42Z

TyulenevAV: Новая страница: «== Simple Economy == {{#ask: Simple Economy | ?Description }} <netlogo model="Simple_Economy" /> ==== Примеры математических формул ==== ''Дисперсия'' <math>s^2 = \frac{1}{n-1}\sum_{i=1}^{n} (x_i - \bar{x})^2</math> ''Стандартное отклонение'' <math>s = \sqrt{\frac{1}{n-1}\sum_{i=1}^{n} (x_i - \bar{x})^2}</math> ''Выборочная дисперсия'' math>s^2 = \frac{1}{n - 1} \sum_{...»

== Simple Economy ==

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

<netlogo model="Simple_Economy" />

==== Примеры математических формул ====

''Дисперсия''

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

''Стандартное отклонение''

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

''Выборочная дисперсия''

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

''Медиана''

<math>\text{Med} = \begin{cases}
x_{((n+1)/2)} & \text{если } n \text{ нечётно} \\
\frac{x_{(n/2)} + x_{(n/2 + 1)}}{2} & \text{если } n \text{ чётно}
\end{cases}</math>

''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)

''Выборочное среднее (арифметическое)''

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

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

PostgreSQL

2025-09-06T07:52:03Z

TyulenevAV:

PostgreSQL

2025-09-06T07:51:47Z

TyulenevAV: Новая страница: «{{UserMGPU |Website=https://www.postgresql.org/ |PedDirection=Нет }}»

{{UserMGPU
|Website=https://www.postgresql.org/
|PedDirection=Нет
}}

Участник:TyulenevAV

2025-09-06T07:49:32Z

TyulenevAV:

{{UserMGPU
|Description=Гений, миллиардер, плейбой, филантроп
|Field_of_knowledge=Математика, Информатика, Экономика, Обществознание, Большие данные, Геометрия, Спорт, Игра, Моделирование, Алгебра, Иностранный язык
|similar_concepts=Экономика, Аналитика
|Environment=Python, Qwen, PostgreSQL
|Position=Бакалавриат
|Profile=Информатика, Экономика
|PedDirection=Нет
|Виды_спорта=Футбол, Баскетбол, Волейбол
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:TyulenevAV

2025-09-06T07:49:11Z

TyulenevAV:

{{UserMGPU
|Description=Гений, миллиардер, плейбой, филантроп
|Field_of_knowledge=Математика, Информатика, Экономика, Обществознание, Большие данные, Геометрия, Спорт, Игра, Моделирование, Алгебра, Иностранный язык
|similar_concepts=Экономика, Аналитика
|Environment=Python, Qwen, PostgreSQL
|Position=Бакалавриат
|Profile=Информатика, Экономика
|PedDirection=Нет
|Виды_спорта=Велоспорт, Футбол
}}
----
[[Категория:UserMGPU]]
[[Категория:АБП-231]]

Участник:TyulenevAV

2025-09-06T07:41:47Z

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

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