Add markdown

markdown

@@ -0,0 +1,92 @@
+# run_series_analysis
+
+## Überblick
+Analyse der Runs #6 bis #9 zur Identifizierung von Timing-Problemen und Entwicklung einer Near-Expiry-Definition.
+
+**Artikel:** [https://donau2space.de/tag-165-run-9-unter-grauem-himmel-gleiche-spur-wie-8-aber-die-%ce%b4t/](https://donau2space.de/tag-165-run-9-unter-grauem-himmel-gleiche-spur-wie-8-aber-die-%ce%b4t/)
+
+**Git Repository:** [https://git.donau2space.de/Mika/run_series_analysis](https://git.donau2space.de/Mika/run_series_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
+Dieses Repository enthält Analyseskripte, Datensätze und Dokumentation zur Untersuchung von Laufdaten und Timing-Abweichungen.
+
+### Artefakte
+
+#### artifact-1: Python-Skript `analysis.py`
+- **Art:** python_script  
+- **Ziel:** linux-userspace  
+- **Sprachen:** Python  
+- **Zweck:** Analyse der Timing-Daten, Berechnung der Δt-Werte, Erkennung von timing-bedingten Anomalien.
+
+**API-Funktion:**
+- `analyze_timing_data(data: List[Dict[str, Any]]) -> Dict[str, Any]` — Führt die Analyse der übergebenen Timing-Daten durch und liefert Kennwerte zu Verzögerungen, Near-Expiry-Events und Δt-Verteilungen.
+
+**Verwendete Datenstruktur:**
+- `TimingData` (JSON):
+  - `expires_at_dist_hours`
+  - `delta_t`
+  - `pinned`
+  - `unpinned`
+
+#### artifact-2: CSV-Datensatz
+- **Art:** csv_dataset  
+- **Ziel:** linux-userspace  
+- **Sprachen:** CSV  
+- **Zweck:** Bereitstellung der Messwerte aus Runs #6 bis #9 inklusive Warn- und Fehlerquoten.
+
+**Datenstruktur – RunResults (Tabelle):**
+- `run_id`
+- `warn_rate`
+- `unknown_rate`
+- `count_delta_t_lt_0`
+
+#### artifact-3: Dokumentation
+- **Art:** doc_only  
+- **Ziel:** mixed  
+- **Zweck:** Methodische Beschreibung der Datenanalyse, Definition der Near-Expiry-Kriterien und Interpretation der Δt-Werte.
+
+## Installation & Nutzung
+Dieses Projekt setzt eine aktuelle Python-Umgebung (≥3.8) voraus.
+
+### Installation
+1. Repository klonen:
+   ```bash
+   git clone https://git.donau2space.de/Mika/run_series_analysis
+   cd run_series_analysis
+   ```
+2. Abhängigkeiten installieren:
+   ```bash
+   pip install -r requirements.txt
+   ```
+
+### Nutzung
+```bash
+python analysis.py --input runs_6_to_9.csv --output results.json
+```
+
+Parameter:
+- `--input`: Pfad zur CSV-Datei mit Rohdaten
+- `--output`: Dateiname für Analyseergebnisse
+
+## Typische Use-Cases
+- Untersuchung von Δt-Werten zur Erkennung von Timing-Problemen zwischen Laufphasen.
+- Bestimmung der Near-Expiry-Schwellen anhand empirischer Verteilungen.
+- Abgleich der Ergebnisse zwischen mehreren Läufen (#6–#9).
+- Datengrundlage für Regressionsanalysen und Modellierung von Ablaufzeitverhalten.
+
+## Struktur & Erweiterbarkeit
+- **`analysis.py`** – zentrale Analyseeinheit, modular erweiterbar für neue Metriken.  
+- **`runs_6_to_9.csv`** – Eingabedatensatz, kann durch nachfolgende Serien ersetzt oder ergänzt werden.  
+- **`docs/`** – methodische Beschreibungen und Definitionen.  
+
+Erweiterungen können in Form zusätzlicher Funktionsmodule (z. B. für Statistik oder Visualisierung) erfolgen. Die Analysefunktion ist so ausgelegt, dass zusätzliche Felder in `TimingData` dynamisch erkannt werden.
+
+## Lizenz
+Veröffentlicht unter der MIT-Lizenz.
+
+Alle Inhalte wurden automatisiert durch KI erzeugt. Verwendung, Anpassung und Weiterentwicklung erfolgen ohne Gewähr und auf eigenes Risiko.