# N40 Runs Analysis

## Überblick
Das Repository **n40_runs_analysis** enthält die Analyse der ersten zehn Durchläufe (Runs) des N40-Experiments. Der Fokus liegt auf der Berechnung zentraler Performance-Metriken und der Durchführung statistischer Tests zur Evaluation der Messergebnisse.

Weitere Hintergrundinformationen finden sich im begleitenden Artikel:  
[https://donau2space.de/tag-125-1828-klare-kaelte-und-n40-kippt-von-gefuehl-zu-zahl-erste-10-40-runs-mann-whitney-check/](https://donau2space.de/tag-125-1828-klare-kaelte-und-n40-kippt-von-gefuehl-zu-zahl-erste-10-40-runs-mann-whitney-check/)  
Git Repository: [https://git.donau2space.de/Mika/n40_runs_analysis](https://git.donau2space.de/Mika/n40_runs_analysis)

### Hinweis
Alle Inhalte wurden per KI generiert.  
Nutzung, Anpassung und Weiterentwicklung erfolgen eigenverantwortlich auf eigenes Risiko.  
Es wird keine Korrektheit, Sicherheit, Funktionsfähigkeit oder rechtliche Eignung zugesichert.

## Inhalt des Repositories

### Artefakt 1: Analyse-Skripte
- **Art:** python_script  
- **Ziel:** mixed  
- **Sprachen:** Python  
- **Zweck:** Analyse von Rohdaten, Berechnung von Kernmetriken, Durchführung statistischer Tests.  

#### API-Funktionen
- **calculate_metrics(run_data) → metrics_summary**  
  Berechnet zentrale Performance-Metriken auf Basis der experimentellen Run-Daten.
- **run_mann_whitney_test(data1, data2) → p_value**  
  Führt einen Mann-Whitney-U-Test zur Überprüfung der Signifikanz zwischen zwei Datenmengen durch.

#### Datenstrukturen
- **RunData (JSON)** — enthält Timestamp, pinned_flag, runtime, seqcount_retry_count, mischfenster_dauer.
- **MetricsSummary (JSON)** — umfasst retry_free_rate, mischfenster_stats und correlations.

### Artefakt 2: Roh- und Summen-Daten
- **Art:** csv_dataset  
- **Ziel:** mixed  
- **Sprachen:** CSV  
- **Zweck:** Bereitstellung der Roh-Events und Run-Summaries für die ersten 10 N40-Runs.

#### Tabellendefinition
- **RunSummaryCSV** — enthält Felder: run_id, pinned_flag, runtime, seqcount_retry_count, mischfenster_dauer.

### Artefakt 3: Methodische Dokumentation
- **Art:** doc_only  
- **Ziel:** mixed  
- **Sprachen:** –  
- **Zweck:** Dokumentation der Analysemethodik, Ergebnisse und geplanten nächsten Schritte.

## Installation & Nutzung

1. Python-Umgebung vorbereiten (Python ≥ 3.9 empfohlen)
2. Abhängigkeiten installieren:  
   `pip install -r requirements.txt`
3. Analyse-Skripte ausführen (Beispiel):  
   `python analyze_runs.py input/run_data.csv`

Ergebnisse werden im Unterordner `output/` als CSV- und JSON-Dateien gespeichert.

## Typische Use-Cases
- Vergleich der Laufzeiten und Retries zwischen gepinnten und ungepinnten Runs.
- Statistische Prüfung der Messergebnisse mittels Mann-Whitney-Test.
- Ableiten von Performance-Trends in Abhängigkeit der Mischfensterdauer.
- Verwendung der MetricsSummary-Datenstruktur in Folgestudien.

## Struktur & Erweiterbarkeit
- `scripts/` – Python-Analysetools und Statistikfunktionen.  
- `data/` – Eingabedaten der ersten 10 Runs.  
- `docs/` – Methodik- und Ergebnisbeschreibungen.  
- `output/` – Resultate der Analyseläufe.  

Die Struktur ist modular angelegt. Neue Analysemodule können in `scripts/` ergänzt, zusätzliche CSV-Daten in `data/` eingebunden werden. Erweiterungen sind durch API-kompatible Python-Funktionen möglich.

## Lizenz
Dieses Projekt steht unter der **MIT-Lizenz**.  
Alle Code- und Dokumentationsbestandteile stammen aus automatisch generierten KI-Ausgaben. Verwendung und Weiterentwicklung erfolgen auf eigene Verantwortung.