Астрологическая статистика. Нестандартные подходы.
Хочу выставить на суд людской свою методику проведения статистического анализа больших объемов данных, а так же, заодно немного рассказать об одном исследовании, которое я сейчас провожу. Сразу же оговорюсь, что, вопрос, который я хочу поднять, – немного выходит за рамки наших привычных представлений об астрологии, а исследования, которые я привожу в этой теме, – не закончены, и взяты лишь в качестве «живого» примера. Цель – обсудить саму методику исследований.
Постановка задачи.
Когда я только начал заниматься астрологической статистикой, у меня возникло несколько «небольших» проблем.
1. В силу объективных астрономических факторов (эллиптичность орбит, неравномерности распределения планет в геоцентрической системе, гравитационных возмущений и т.д.), объекты в течение практически любого заданного промежутка времени распределяются неравномерно. На пример, если мы возьмем распределение Венеры по знаком зодиака в течение любых 10 лет, то легко можем обнаружить примерно такую картину: 20% времени Венера находилась в Овне, 10% в Тельце, 25% в близнецах и т.д….
2. Как следствие этого, аспекты (вообще угловые расстояния) любых 2х объектов так же распределяются еще более неравномерно и запутанно.
3. В силу социальных и других трудноуловимых факторов (Рождаемость/смертность. Доступность источника информации в определенных возрастных группах. Готовность человека принять участие в астрологическом исследовании так же зачастую зависит от возраста опрашиваемого. Если вы собираете данные через интернет, следует учесть, что доля молодежи среди пользователей интернета на много больше. И т.д. и т.п.), у вас может получиться примерно такая картина распределения базы данных по возрастным группам: 10% людей с 1970 гр; 15% – 1971 гр; 8% – 1972 гр.; 20% – 1972 гр. И т.д. И т.п. Здесь следует заметить, что такая неравномерность вполне может быть обусловлена и астрологическими факторами (на пример, транзитами медленных планет), так что не следует сразу выплескивать вместе с водой ребенка, нужно быть очень осторожным, но в большинстве случаев все объясняется именно, не имеющими отношения к астрологии, социальными причинами.
В поисках решения проблемы
Таким образом, задача нахождения теоретических частот (с которыми мы будем сравнивать полученные данные) сводится к:
· Вычислению распределения, исследуемого астрономического объекта (по знакам, градусам, декадам и т.д.), на заданном промежутке времени.
· Вычислению поправок на возрастные группы.
· Вычисления, на основе этих данных самих теоретических частот.
Вот тут – то и начинается первый облом, как оказалось, ни каких информационных баз (назовем их «эфемеридами распределения») по распределению хотя бы планет/аспектов по знакам и градусам на периоды времени, просто не существует. По крайней мере в открытых астрологических источниках я их не нашел (на астрономических сайтах есть что-то похожее в очень небольшом объеме, но для астрологических задач они не подходят).
Мне ни чего не оставалось, как самому заняться изобретением велосипеда.
Кстати, пару слов об моем орудии труда. Я давно не пользуюсь ни какими специальными программами по астрологическим исследованиям типа ADB, их функциональные возможности слишком ограниченны. Мало кто знает, но к таким программам как Exel и MathCad, можно подключить Швейцарские эфемериды и проводить точные астрологические/номические расчеты любой сложности прямо на рабочем листе, а так же, делать статистический анализ, не отходя от кассы. Так что возможности по астрологическим исследованиям при таком подходе ограниченны только вашей фантазией.
И так, на данном этапе мне виделось только 2 пути решения проблемы:
1. Просканировать положения планеты (или угловое расстояние между 2 планетами, если исследуется аспект), на пример, за период с 1 января 1940г по 1 января 1990 года, с шагом, скажем, в 1 день или в 1 минуту. Однако, чем больше шаг, тем быстрей, но для научных целей это не всегда подходит (накапливается небольшая погрешность, которая потом с учетом погрешности от распределения возрастных групп и самих исследуемых данных больно бьет по носу), чем меньше шаг, тем точней, но о-очень долго. Для сравнения скажу, что более или менее точная статистика распределения, по одной планете на один год на моем компьютере считалась в течение 40 минут (по аспектам в два раза больше). Умножьте это хотя бы на 9 основных планет, и на 50 лет, по которым нужно получить статистику. Прибавьте к этому те же самые данные по аспектам 9-ти пар планет друг к другу за 50 лет, и у вас получится 5430 часов или 226 дней, и то при условии, если в течение этого срока компьютер не будет выключаться, а вы не будите спать. Я сначала с воодушевлением принялся за эту работу, но когда посчитал, сколько времени у меня это займет, – решил, что «скажем дружно – нафиг нужно!!!» и ушел на пол года в депрессию.
2. Когда я вернулся из депрессии, мне подумалось: «А зачем все так подробно сканировать по шагам?». Если мы на генераторе случайных чисел сгенерируем, энное количество дат в диапазоне между 1 января 1940 и 1 января 1990, то при достаточно большом кол-ве таких дат, распределение планеты по зодиаку в этой модели, в силу статистических законов, должно быть очень близко к реальному, к тому же, в этом случае, объем и время вычислений будут на порядок меньше! Но, к сожалению, когда я принялся реализовывать эту модель на практике, – выяснилось, что точность вычислений в этом методе не такая уж и высокая, для того, чтобы она была приемлема, – нужно все равно генерировать очень много дат, да и то, все равно будут случайные выбросы и погрешности в районе +/- пол процента (чем больше данных, тем медленней сходится неравенство Чебышева, на практике нет ни какой разницы генерировать 100 000 случайных чисел или 200 000). ;’( К тому же, эти расчеты, по моим прикидкам заняли бы около 6 месяцев непрерывной работы, что конечно на много лучше 226 дней из предыдущей модели, но все равно не вселяет особого оптимизма… Так что, этот проект тоже в топку!!!
К тому же, очень не хочется ограничиваться только этими объектами, хотелось бы, на пример, исследовать астероиды, но, в настоящее время их уже открыто больше 200 000, и, как я когда, то посчитал, если мне не изменяет память, на то, чтобы вычислить статистику распределения по всем им, а так же, по всем возможным аспектам, которые они могут образовывать между собой за период 10 лет, мне понадобится что-то около 800 лет ;’’’(((((
Резюмируя эту часть повествования, скажу, что во первых, пока не будет создана информационная база по этим самым распределениям планет в зодиаке и не будет выложена в интернет для общего доступа, большая часть попыток что-то серьёзно исследовать с точки зрения классической астрологии будут жестоко «обламываться» жизнью, едва начавшись.
Не смотря на всеобщую компьютеризацию/автоматизацию, до сих пор не создано того кирпичика, без которого астрология будет и дальше топтаться на месте.
Остается либо ждать тех светлых времен, торжества нанотехнологий, когда у каждого в доме будут стоять сверх быстрые компьютеры и проведение таких расчетов станет делом 5-ти минут, либо, не ждать с моря погоды, а объединяться и создавать распределенную систему вычислений.
В поисках альтернативных методов исследования.
Как видно, исследование всех тонкостей и перипетий с точки зрения классической астрологии, – задача не из простых.
А давайте подумаем, что объединяет планеты, аспекты, астероиды, средние точки и вообще любые динамические объекты, которые мы только можем встретить на астрологической карте?
Да правильно! Все они имеют ЦИКЛИЧЕСКУЮ природу т.е. имеют свойство повторяться через определенные промежутки времени!!!
Зачем нам делать, эфемериды распределения, скажем, для аспекта средней точки марс/юпитер по отношению какому–нить колесу фортуны? Подобного рода объектов на астрологической карте могут быть миллионы и человеческий мозг просто не в состоянии всех их учесть!!! А надо ли?
Не проще ли просто попросить компьютер просканировать все возможные циклы с определенным шагом в определенном диапазоне?
Лирическое отступление.
Прежде чем продолжать дальше, необходимо немножко рассказать, о том, что я понимаю под циклом в рамках данной модели, а так же, кое-что об, использованных мной, статистических методах.
Итак.
Что такое цикл?
Под циклом, я понимаю свойство последовательности событий повторяться во времени.
Например, Луна в течение лунного месяца проходит полный круг по зодиаку и возвращается в исходную позицию для того, чтобы снова повторить свой путь.
Под фазой цикла, мы будем понимать кол-во единиц измерения (по выбранной шкале), прошедших с момента начала данного цикла.
Под шкалой измерения мы будем понимать количество секторов, которыми будем измерять цикл (Это могут быть, на пример проценты, как это принято измерять фазу Луны в астрономии, или градусы, или любая другая произвольно выбранная шкала измерений).
Время вы будем измерять в юлианских днях. За точку отсчета во всех дальнейших вычислениях, принят 0-й час 0-го дня по юлианскому календарю.
Общая формула для вычисления фазы цикла выглядит следующим образом:
Фаза_цикла= ( (Дата/Цикл) – Целое(Дата/Цикл) ) * Шкала
Я понимаю, что пока не очень понятно, хорошо давайте проиллюстрируем это на живом примере.
Известно, что сидерический период обращения Меркурия равен 58,65 дня. Вычислить по 360 бальной шкале на какой фазе цикла находился Меркурий 1 января 2008 года в 12:30 по гринвичу.
1. Вычисляем юлианскую дату. (Просто вводим нужную дату в любой астрологической программе, большинство на ряду с прочими астрономическими данными высвечивает и юлианскую дату). В данном случае JD = 2454467,02083333.
2. Делим юлианскую дату на цикл = 2454467,02083333 / 58,65 = 41849,3950696221 .
3. Вычитаем из 41849,3950696221 целую часть его же самого = 0,3950696221. Это означает, что с 0-го дня по юлианскому календарю Меркурий прошел 41849 полных оборота, и еще 0,3950696221 оборота в текущем круге 
))
4. Умножаем полученное число на, выбранную шкалу, = 0,3950696221 * 360 = 142,225063940277
И так, 1 января 2008 года в 12:30 GMT Меркурий находился на фазе цикла: 142,225063940277 по 360 бальной шкале. Хотя, строго говоря, это не так, конечно же, данная методика неприменима к вычислению положения планет, да еще на таких больших промежутках времени, мы говорим о циклах (в данном случае рассмотрели цикл в 58,65 суток), а период обращения Меркурия взят лишь для примера.
И еще, я не случайно в данном примере использовал 360 бальную шкалу, при исследовании это как раз не удобно и, по крайней мере на начальных этапах не нужно. Мы вполне можем взять произвольную дату (выбранную по каким-то причинам), принять фазу в которой в эту дату находился тот или иной цикл за 0-й градус Овна и дальше использовать этот цикл, как обычную планету в астрологической карте. Впрочем, с виртуальными планетами в астрологии и без того явный перебор )).
Статистические методы
Так же, считаю необходимым в трех словах рассказать об одном статистическом методе, который может быть неизвестен читателю, но без представлений о котором, дальнейшее повествование может быть непонятным.
Хи^2 критерий.
Пусть проведена серия опытов, в результате которых получены следующие значение величины: Xi = 138, 123, 157, 87
Из теоретических соображений нам известно, что данная величина должна в идеале распределяться следующим образом: Yi = 126.6, 129.2, 122.3, 126.7.
Определить на уровне значимости 95% являются ли полученные значения случайными или не случайными.
В этом случае поступают следующим образом:
1. Хи^2 статистика = Сумма( (Xi-Yi)^2 / Yi ) = 23,6587
2. Находим кол-во степеней свободы по формуле: кол-во вариант – 1 = 3
3. В таблице распределения Хи^2 (печатается в учебниках по математики ) ) находим пороговое значение Хи^2 статистики при уровне значимости 95% и 3 степенях свободы. В данном случае – 7,82
Поскольку в данном случае реальное значение Хи^2 статистики больше ожидаемого (23,6587 > 7.82), мы можем с вероятностью не меньше 95% утверждать, что экспериментальные значения не случайны.
Инструментарий.
Для практической реализации этой методики мной была написана небольшая программка CycleResearcher.
В трех словах она работает так:
1. Загружаем массив, исследуемых данных (юлианских дат), в программу, а так же, если есть желание, – массив циклов для сравнения (на пример, периоды обращения планет, периоды повторяемости аспектов и т.п.).
2. Устанавливаем количество экспериментов, шаг сканирования, Хи- квадрат критерий, способ генерации теоретических частот (на случайных числах или по средним значениям), а так же тип их распределения и т.д. и т.п.
3. Далее программа начинает сканировать циклы с определенным шагом, а точней проводить исследования по каждому из циклов (за сутки успевает сделать 1 000 000 полноценных экспериментов!!!), благо, что вычислить фазу цикла раз в 100 быстрей, чем положение планеты. Если программа обнаруживает, что в каком-то из циклов данные распределяются не нормально (на пример, превышен Хи^2 критерий), то записывает результаты исследования этого цикла в лог.
Примерно так:
Исследование массива из 899999 циклов.
JD of feb-may 2008
от 1,00001999999808 до 10 дней. С шагом в: 1×10^-5 дней.
Даты между 2454616 и 2454502 юлианских дней.
Непрерывная модель распределения чисел.
Теоретические частоты на 10000 случайных числах.Результаты исследования цикла: 1,00001999999808 дней
Теоретические Реальные Хи-квадрат статистика
124,8485 184 28,0252
125,7576 144 2,6463
130,7071 51 48,6065
123,6869 126 0,0433
Суммы: 505 505 79,3212
Средние: 126,25
Дисперсии: 7,1605 2328,1875
Исправленные дисперсии: 9,5473 3104,25
F-критерий Фишера, который вы установили: 53,434632718563
325,144874540799 > 53,434632718563->
P(F-Stat) < = 0,000287960643543446
Стандартные отклонения: 2,6759 48,2513
Коэффициент корреляции: -1
Коэффициент регрессии: -18,0318
p(F)*p(Xi^2)*expr in 1000000 experiments: < 1,23582880830929×10^-14
Хи-квадрат критерий, который вы установили: 23,5127424449908
79,3212 > 23,5127
P(Xi^2_Stat) < = 4,29165872496335×10^-17
В 1000000 экспериментах такое значение Xi^2 статистики может выпасть
не более 4,29165872496335×10^-11 раз ( P(Xi^2_Stat)*expr )
Поздравляю! Скорей всего, этот цикл действительно
влияет на исследуемые данные (в единичном эксперименте).
И т.д. И т.п….
Программка еще не доработана, не отлажена и не документирована (некогда и лень), поэтому я её публиковать в открытом доступе пока не буду, но пользоваться ей уже вполне можно, я уже года 2 с ней работаю. Так что если у кого возникнет желание с ней поэкспериментировать, – готов выслать и рассказать, как ей пользоваться.
Недостатки / преимущества, подводные камни, и нерешенные вопросы методики.
Проблема гравитационных возмущений. Если рассматривать циклы, как отражение астрономических процессов, – то эта методика подходит только для изучения баз данных не сильно разбросанных во времени. Это связанно с тем, что со временем, вследствие физических причин меняются характеристики движения астрономических объектов, и как следствие, – сами циклы (возможно) порожденные этими процессами. Однако, как показывает опыт, даже с учетом этих погрешностей методика, как правило, выдает результаты очень близкие к (подозреваемым) астрономическим циклам.
Проблема множественности экспериментов. Методики статистического анализа данных в основном рассчитаны на единичный эксперимент. Т.Е. на пример, если мы провели 1 эксперимент и получили какие-то данные вероятность случайного выпадания которых, скажем = 0,0001 , то можем с уверенностью говорить, что результаты неслучайны. Но если мы проведем, скажем, 10 000 экспериментов, то с достаточно большой долей уверенности можем ожидать получить хотя бы один результат, вероятность случайного выпадания которого 0,0001.
Проблема в том, что методика, как раз, предполагает обработку очень больших объемов данных.
На пример, в рассматриваемом ниже исследовании, просканированы циклы от 0,00001 до 10 дней с шагом в 0,00001 дня. Т.Е. проведен 1 000 000 экспериментов. Т.Е. здесь мы можем ожидать, что у нас случайно выпадет 1 результат, вероятность которого 1/1000000, 10 результатов, вероятность которого 1/100000, 100 случайных результатов вероятность выпадания которых 1/10000 и т.д. Т.Е. реальная вероятность результата будет равна вероятности в единичном эксперименте, умноженной на кол-во проведенных экспериментов.
Здесь существует всего 2 способа выкрутиться:
А) . Повысить критерий доверия до приемлемого уровня. Например, если мы провели 1000 экспериментов и нас интересует достоверность на уровне 1/1000, то мы просто умножаем вероятность выпадания полученных данных в единичном эксперименте на 1000, т.е. отбираем только те данные вероятность случайности которых меньше 1/1000000.
Но тут есть серьёзная опасность выплеснуть вместе с водой ребеночка. Ведь если бы мы, по каким-то своим соображениям, взяли бы 1, заранее «вычисленный» цикл, провели его исследование, выяснили бы, что вероятность случайности полученных данных всего 1/1000, то несомненно приняли бы этот результат. Тогда почему мы должны отсеивать тот же самый результат если получим его в одном из 1000 экспериментов? Только из одного лишь опасения случайно сделать неверный вывод?
Б). Разделить базу данных на 2 (или больше) выборки, а еще лучше работать с 2 базами данных, полученными в разное время, при разных условиях, в разных источниках и т.д. В этом случае, если мы получим сходные результаты по всем выборкам, то можем принять их. Например, если мы по 2-м базам данных провели 2 эксперимента и в обоих случаях получили вероятность случайности, скажем, 0.001 , – то, по теореме умножения вероятностей, вероятность того, что одни и те же данные случайно выпали сразу в 2-х разных экспериментах, будет всего 0.001*0.001=0,000001.
Производные циклы. Хочется рассказать еще об одном интересном свойстве цикла, которое, как мне кажется, если будет должным образом изучено, может в корне изменить наше представление о механизмах влияния на нас планет.
Попробую объяснить это на примере.
Возьмем произвольным образом выбранную юлианскую дату, на пример: 12345,12345, и будем последовательно прибавлять к ней любое число, на пример: 7.
12345,12345
12354,12345
12361,12345
12368,12345 И т.д….. и так 500 раз…
Т.Е. в данном случае, мы искусственно сформировали базу данных, на которую заведомо будет влиять семидневный цикл.
Теперь давайте загрузим эти данные в нашу программу и посмотрим, что же будет?
Если вы думаете, что программа просто покрутиться-покрутиться, найдет 7-дневнй цикл, и на этом успокоиться, – то вы глубоко ошибаетесь!!!
Наряду с ожидаемым циклом в 7 дней, программа так же скажет, что на данные влияют и такие циклы, как 14 дней (7*2), 3,5 дня (7/2), 0,7 дней (7/10), и даже такой цикл, как 0,0735 дней (7/2/1000+7/100) и так до бесконечности…..
В общем случае, чем «проще» цикл, тем ярче будет выражена анормальность его распределения, чем «сложней» цикл, тем менее ярко он будет выражен на графике распределения. Например, цикл 0,7 будет гораздо «сильней» цикла в 0,0735 дней, хотя оба порождены одним и тем же процессом (семидневным циклом).
Однако, бывают случаи, что два каких то малозначительных цикла совпадают или оказываются слишком близко друг к другу, тогда происходит нечто похожее на резонанс в физике, такие циклы начинают усиливать друг друга и мы наблюдаем значительные пики на графике распределения.
Я думаю, было бы наивно полагать, что на нас действуют только те планетные циклы, которые мы можем наблюдать непосредственно. Как показывает изучение математических свойств цикла, на нас, к примеру, должен действовать не только 12-ти летний цикл Юпитера, но и все его производные…. Например, 12 лет, 6 лет, 3 года, 1,5 года и т.д. вплоть до циклов с периодом в миллионные доли секунды. И все это будут все-то же циклы все того же Юпитера!!! Возможно, этим и объясняется различия в характерах рожденных «одновременно» людей. Ведь «одновременность» понятие относительное, а каждый миг неповторим. Мы все еще очень мало знаем об этом мире….
Несовершенство баз данных и обходные пути. Один из самых больных вопросов, с которым только может столкнуться астролог-исследователь, – это несовершенство баз данных. В большинстве случаев, время рождения либо неизвестно совсем, либо известно, но оно какое – то странное, явно записано «на глаз». На пример: 15:30, 21:45, 19:15 и т.д. Т.Е. «точное» время рождения почти у всех почему-то кратно 5, 15, или 30 минутам И почти никогда не встречается, например, 15:38:17.
Вариант с использованием ректифицированных данных для научных задач не подходит, да и сама ректификация процесс долгий и обычно невозможный. Если для задач практической астрологии такая неточность некритична, то при исследовании циклов это очень больно бьет по носу. При попытке обработать такие данные программой как непрерывные величины, высвечиваются циклы 5, 10, 15 минут и еще около 1000 кратных им циклов до кучи, разумеется, все это информационный мусор, не имеющий ни какого отношения к реальным циклам и его приходиться отсеивать вручную, а это процесс долгий и трудный…
Я кажется, нашел способ обойти эту проблему, только мне пока и самому не понятен математический механизм действия этого способа, но тем не менее он работает.
Для этого достаточно в, исследуемых датах обрезать дробную часть, а теоретические частоты так же сгенерировать, как дискретные числа.
Мной был неоднократно проделан такой опыт. Создаем на генераторе случайных чисел равномерно распределенную базу дат. Добавляем туда вручную сформированные даты, в которых преобладает какой-то цикл (на пример семидневный из предыдущего пункта), тщательно все перемешиваем и прогоняем через программу, в настройках которой установлена «непрерывная модель распределения». Сохраняем результаты.
Потом «обрезаем» в исходных данных дробную часть числа и опять прогоняем через программу, в настройках которой, на этот раз установлена «дискретная модель распределения».
Сравниваем результаты, и убеждаемся, что в обоих случаях они одинаковы, высвечивается семидневный цикл и его производные.
Еще раз повторюсь, мне не совсем понятно, почему так происходит, но этот метод вполне можно использовать, когда время известно неточно или изначально распределено с ошибкой.
Какие у вас улики? Даже если мы проведем самое тщательное исследование какого-то цикла, по всем правилам статистики докажем, что такой-то цикл, совпадающий с периодом такой-то планеты/аспекта/астероида, оказывает влияние на распределение таких-то данных. Строго говоря, это будет доказывать лишь то, что такой-то цикл влияет на данные, но ни как не сама планета/аспект/астероид подчиненная этому циклу, так как не известен сам механизм этого влияния. Впрочем, это уже проблемы физиков/биологов/психологов, а мы астрологи, – наша же задача установить саму причинно – следственную связь. На этой «оптимистической» ноте позвольте перейти к практической части повествования.
Теперь давайте посмотрим, как эта система работает на живом примере
У меня есть небольшой проект, SMS сервис, проект работает всего несколько месяцев, но вот незадача, по кол-ву СМСок, в разные дни то пусто, то густо. Вот я и решил провести астрорасследование по этому вопросу.
Благо, что за время работы сервиса образовалась база данных по событиям, обладающая свойствами, почти, идеально подходящими для такого рода исследований:
1. Кол-во наблюдений 505 штук (пока не густо для исследования, но для начала хватит, к тому же база данных наблюдений постоянно попалняется).
2. Период наблюдений 3,5 месяца (с февраля по май 2008).
3. Система фиксирует все входящие SMSки с точностю до секунды, – потому особых проблем с погрешностями быть не должно и можно использовать непрерывную модель распределения.
4. За время работы сервиса были недели, когда входящих сообщений поступало очень много (до 130 штук в неделю), а были недели, когда их почти совсем не поступало (2-3 штуки в неделю). Причем, мной «на глаз» не были замеченны зависсимости от праздничных/выходных/рабочих дней (в эти дни интенсивность входящих сообщений не менялась явным образом, по сравнению с соседними днями), что дало мне основание западозрить причину этих труднообъяснимых «взлетов и падений» именно в каких-то, неочевидных на первый взгляд, астрономических или циклических процессах. Причем, суда по качеству этих перепадов, довольно интенсивных.
Исследование проводилось почти одновременно с написанием этой статьи, поэтому сыравато, выводы предворительные, ознакомительны, неокончательны и приведены в качестве иллюстрации самой методики.
Основные моменты в обзорном порядке:
1. Берем данные, преобразуем их в юлианские даты, загружаем в программу, ждем 24 часа пока оно посчитается…
2. В данном исследовании сконировались только циклы с периодом от 0,00001 дня до 10 дней. С шагом в 0,00001 дня. Всего исследованно 1 000 000 циклов. Кол-во секторов – 4. Хи^2 критерий, ниже которого мы автоматически отсеиваем данные: 23,51. Модель распределения чисел – непрерывная.
3. По окончание исследования программа выдала 35160 подозрительных циклов, привышающих критерий доверия (не пугайтесь, это обычное явление, сюда попали случайные выпадания, естественные суточные циклы и резонансы, в ходе дальнйшей работы большая часть из них «отсеивается»). В том числе, 1680 циклов, вероятность случайного выпадания по Хи^2 критерию, которых в 1000 000 экспериментов было меньше 0,0001 (поскольку данных очень много, дальше, в основом, будем работать только в этими 1680 циклами).
4. Пока работаем не с самими циклами, а вообще посмотрим, как они распределяются по числовой оси.
Для увеличения картинки кликните сюда
(рис. №1)
По оси X расположенны сами циклы, а по оси Y Хи-квадрат статистики. К слову сказать, здесь мы видем на гистограмме, что некоторые Хи^2 статистики достигают значения 140, а это значит, что их вероятность случайного выпадания в 1000 000 экпериментах при 4-х степенях свободы всего 1E-23 (или 0,000000000000000000000001).
5. На гистограмме видны 2 четко выраженых пика циклов, один из которых групируется в районе цикла 1 сутки, а другой, – вблизи двухсуточного цикла. Так же имеется ряд гораздо менее вырраженных пиков.
6. Давайте для начала рассмотрим цикл в 1 сутки и соседние с ним циклы. Не имеется ли каких-то объективных причин, по которым мы получили такие большие анамолии в суточном цикле? Да, такие факторы действительно имеются!!! Сервис рекламировался на одном из моих сайтов, а это значит, что на колличество SMSок напрямую должна влиять посещаемость сайта! Давайте взгляним на статистику по уникальным посетителям сайта в течение суток, на основании усредненных данных за 3 месяца.
Для увеличения картинки кликните сюда
(Рис. № 2)
Как видно из графика, в течение суток посещаемость сайта не постоянная. На сайт заходит меньше всего народа между 5 и 6 часами утра (когда совы уже ушли спать, а жаваранки еще не проснулись), и больше всего народу в 16 часов.
7. К тому же, как было сказано ранее, существует явление очень похожее на резонанс: если 2 слабых цикла оказываются близки друг к другу, – они начинают друг друга усиливать, так же, очень сильный цикл может “тянуть” за собой вверх соседние ни как не влияющие на дело. Вообще, пространство циклов, – явление не дискретное! Само это “пространство”, графически можно представить в виде спирали с витками безразмерной толщины, где витки – это сами циклы, а расстояния между витками, – это шаг между циклами.
В принципе, мы можем до бесконечности уменьшать пространство между витками (шаг) и число витков (циклов), тем самым все более и более подробно исследовать какую-то область в пространстве циклов. Потому, строго говоря, если процесс имеет циклическую природу, то на него действует, не только суточный цикл, а целое пространство соседних циклов. На пример, множество циклов между 0,99 и 1,01 суток, максимум влияния которого приходится на 1 сутки, причем, чем “сильней” влияние основного цикла, тем большее пространство «соседей» он захватит. Таким образом, мы работаем не с множеством циклов, а со “срезами” пространства циклов в какой-то области. В данном случае, мы для того, чтобы не пропустить ни чего важного, как раз взяли очень маленький шаг между циклами, суточный цикл оказался очень сильным и явно захватил область пространства между 0,99 и 1,04 суток. Поскольку аномалии в суточном цикле вызванны объективными причинами (спецификой распределения посещаемости сайта в течение дня), мы можем почти наверняка утверждать, что этот цикл, а так же, (с большой степенью вероятности) близкие к нему циклы, – не обусловлен влиянием астрологических факторов (подозревался цикл асцендента), по крайней мере, их влияние, увы, не доказано.
8. И все-таки давайте более подробно рассмотрим циклы, близкие к суточному. Конечно же, их найдено очень много и нельзя объять необятное, но возмем хотя бы цикл в 1,04090999999808 суток. С одной стороны, он достаточно далеко удален от суточного цикла, с другой – Хи-квадрат статистика его получилась достаточно высокая (62,3955). Давайте для удобства переведем его в часы = 24 часа 58,9014 минут. Как видно, разница с суточным циклом целых 58,9014 минут!!!! Что же получается, через сутки разница межды процессами порожденными циклами в 1 сутки и 1,04090999999808 суток составит 58,9 минут, через 3 дня – почти 3 часа, а через 24 дня все верняться на круги своя. Не слишком ли большая разница межжду ними, для того, чтобы считать явлеиями, порожденными одним процессом? И не на слишком ли большую область влияет суточный цикл, даже с учетом того, что он очень сильно выражен?
9. Давайте еще раз посмотрим диаграмму распределения хи-квадрат статистик, только немного увеличим масштаб 
Для увеличения картинки кликните сюда
(рис. № 3).
10. В этом графике очень много странного, вы не находжите? Во первых, что это за странный провал (зона №1) между 0,0007 и 0,001 суток? Во вторых, от куда взялись эти мелкие всплески на графике (на пример Зоны №2 и №3), которых, увеличенном масштабе, я насщитал не меньше 10 штук? В третьих, почему максимум (выделено зеленым) приходится на цикл в 1,00118999999808 суток, а не точно на цыкл в 1 сутки (выделено синим), причем на суточный цикл как раз приходится некоторый спад по сравнению с «соседями»?
11. Примечение!!! Дальнейшие рассуждения, являются всего лишь гиптезой, требующей более подробного изучения, а не доказательством!
12. Циклы – сиамсие близнецы. Для того, чтобы объяснить эти аномалии, мне придеться построить еще одну небольшую модель. Возьмем, какую-нить точку, на числовой оси, на пример 1, и будем последовательно прибавлять к нему какое-нить фиксированное число (на пример, тоже 1), до тех пор, пока у нас не получиться 50, а затем будем так же последовательно отнимать это число, до тех пор пока у нас не получиться ноль (таким образом у нас получилась приблизительная линейная модель области влияния цикла, в виде пирамидки). Теперь от начала координат отойдем на 50 делений и повторим процедуру. Если мы перенесем эти данные на гистограмму, – нас получиться 2, частично наплывающие друг на друга пирамиды.
Для увеличения картинки кликните сюда
(рис.№4).
Теперь давайте ссумируем эти два графика, – в результате у нас получится фигура, отдаленно напаминающая силуэт Бэтмэна 
. Здесь мы видим, что в общей зоне наложения циклов, не наблюдается ни каких спадов!!! В общей зоне оба цикла будут действовать одинаково сильно до тех пор, пока влияние одного из циклов не закончиться и бразды правления полностью не перейдут соседнему. Ясно, что чем ближе друг к другу будут расположенны эти циклы, – тем сильней будет зона их общего влияния. Конечно же, это простейшая модель, в реальной жизни циклы ведут себя гораздо сложней и не предсказуемей.
13. И так, гипотеза. На графике (рис. 3) мы видем, что область вокруг суточного цикла имеет явно неравномерную структуру распределения. Видны значительные спады и пики, разница в которых местами достигает 50%. Так же, на графике присутствуют явно «разряженные» и явно «сгущенные» области. К тому же, максимальные значения приходяться не точно на суточный цикл, а несколько удалены от него, и при этом на точный цикл в 1 сутки приходится один из спадов на графике. На основании чего мы можем предположить, что в данном случае мы можем иметь дело ни с 1 циклом, а с целым множеством близко расположенных друг к другу циклов, которые, которые, к тому же налагаются друг на друга, из-за чего и получается такая сложная струтура.
14. А давайте подумаем, не существует ли еще каких–нибудь объективных астро-номических/логических процессов, близких к суточному циклу, но точно не совпадающих с ним, которые могли бы повлиять на ситуацию? Да конечно же!!! Любой астролог сходу может назвать таких циклов десятки, если не сотни, а если как следует подумать, – может быть и тысячи!!! Это прежде всего периоды соединения асцендента (а так же элементов системы домов) с: планетами (как минимум 9 штук), астероидами (на сегодняшний день их открыто примерно 200 000 штук) и средними точками (очень много). Все они имеют период примерно в одни сутки, но точно с ним не совпадают!!!
На этом я вынужден прервать повествование. Во первых, потому что дальнейшая работа подразумевает долгий и трудный процесс по вычислению точных значений природных циклов, отождествлению их с полученными данными, и доказыванию, что они это они. Во вторых, работа посвещенна все-таки методике исследования, а не самому исследованию, подробней о котором я расскажу как-нибудь в другой раз. В третьих, – нельзя объять необьятное, а времени нехватает, да и руки устали бить по клавишам.
Я понимаю, в статье есть много темных пятен и недосказанностей, но большую часть их, как я надеюсь, мы расскроем в ходе дальнейшей дискусси, к сожалению, не смотря на сравнительно большой объем статьи уместить в неё удалось только самую верхушку айсберга…
Жду мнений, замечаний, предложений, короче – КОНСТРУКТИВНОЙ критики.
© Виталий Иванченко
9-06-2008 15:20 GMT. Россия. Таганрог.
Приложения:
1. База данных в формате MS Exel, по которой проводились исследования.
2. Распределение циклов и графики в формате MS Exel
1. Базу данных в формате MS Exel, по которой проводились исследования, вы можете скачать здесь (10 кб)
2. Распределение циклов и графики в формате MS Exel вы можете скачать здесь (1,2 mb)
3. Программу CycleResearcher, при помощи которой проводились исследования, – я, как уже сказал, публиковать пока не буду, но готов выслать её, если вы действительно готовы заняться проверкой моих исследований или своими исследаваниями при помощи этой методики. Пишите мне.
(c) Виталий Иванченко (Lordwilex)
lordwilex@lordwilex.ru
Теги: Астрологическая статистика, Астрологические исследования, астрология 21 века, Астрология и циклы, Новая астрология
