6. Wsparcie analizy wykresów i raportu

Pomoc w analizie nie sprowadza się do pisania kodu. LLM może zaproponować pytanie, dobrać sposób prezentacji albo uporządkować akapit raportu. Właśnie tutaj łatwo jednak o przekroczenie granic danych: ciekawy pomysł zamienia się w rzekome odkrycie, a współwystępowanie w przyczynę. Twoim zadaniem jest zachować użyteczny kierunek i usunąć nieuzasadnione twierdzenia.

Prompt M5 P02 z określonym zakresem

„Kontynuuję analizę wykresu M4_W06_temperatura_drgania.png. W danych kursowych mam 720 kompletnych par temperatura–drgania, osiem urządzeń i po 90 par na urządzenie. Temperatura jest w °C, drgania w mm/s. Samodzielnie obliczona globalna korelacja Pearsona wynosi około 0,644. Zachowano pomiar drgań 4,850 mm/s do wyjaśnienia. Dostępne pola kontekstu to urzadzenie i tryb, z kategoriami auto i oszczedny.

Zaproponuj dwa kierunki dalszej analizy. Dla każdego podaj pytanie, potrzebne dane, sposób grupowania lub porównania, odpowiedni wykres, test weryfikacyjny i ograniczenie. Nie twierdź, że znasz niewyliczone wyniki. Nie wyprowadzaj przyczynowości, nie usuwaj punktów i nie traktuj nazwy trybu jako dowodu działania. Zwróć także neutralny szablon wniosku, który uzupełnię dopiero po obliczeniach”.

Ten prompt przekazuje sprawdzony wynik jako kontekst, ale nie daje modelowi prawa do wymyślania wyników w grupach. Nie musisz dołączać całego CSV. Do sformułowania dwóch kierunków wystarczą opis danych, jednostki i ograniczenia; do ich oceny potrzebujesz lokalnych obliczeń.

Dwie propozycje dydaktyczne

Pierwsza odpowiedź brzmi: „Policz korelację osobno dla urządzeń i ustal, w którym temperatura najmocniej wpływa na drgania”. Druga: „Tryb oszczedny redukuje drgania; pokaż poprawę na wykresie średnich”. Obie są przygotowanymi przykładami do ćwiczenia oceny, nie wynikami rozmowy z konkretnym modelem.

W pierwszej propozycji zachowasz podział na urządzenia, ale sprawdzisz wyniki i poprawisz język przyczynowy. W drugiej sprawdzisz porównanie trybów, zanim dopuścisz wniosek o redukcji. Nie wybieraj od razu wykresu potwierdzającego sugerowaną „poprawę”: najpierw ustal, czy przesłanka ma oparcie w danych.

M5 U02 Korelacja globalna i korelacje w grupach

Korelacja Pearsona opisuje kierunek i siłę liniowego związku dwóch zmiennych. Wynik globalny łączy zmienność wewnątrz urządzeń i różnice między urządzeniami. Nie jest średnią ośmiu korelacji grupowych. Dlatego rozdzielenie grup może zmienić interpretację, nawet jeśli żaden rekord nie zostanie usunięty.

pary = df[["urzadzenie", "temperatura", "drgania"]].dropna()
assert len(pary) == 720
r_global = pary["temperatura"].corr(pary["drgania"])
korelacje = pd.DataFrame([
    {"urzadzenie": u, "n_par": len(g),
     "r": g["temperatura"].corr(g["drgania"])}
    for u, g in pary.groupby("urzadzenie")
])
assert set(korelacje["urzadzenie"]) == ID_URZADZEN
assert korelacje["n_par"].eq(90).all()
assert korelacje["r"].notna().all()
print("Korelacja globalna:", round(r_global, 3))
display(korelacje.round(3))

Wynik globalny wynosi około 0,644. Korelacje w urządzeniach mieszczą się od około 0,102 dla U-05 do 0,778 dla U-07. Wynik globalny jest większy niż korelacja w siedmiu z ośmiu urządzeń. Te liczby pokazują, że opis całego zbioru nie zastępuje opisu każdej grupy.

Co trzeba obejrzeć poza współczynnikiem

Wykres rozrzutu ujawnia kształt zależności, zakres wartości i obserwacje o dużym wpływie. Dwa zbiory mogą mieć podobny współczynnik, lecz zupełnie inny układ punktów. Szczególnie ważny jest U-05: pomiar 4,850 mm/s współwystępuje z temperaturą 62,72 °C i wyraźnie odbiega od pozostałych drgań tego urządzenia.

W kolejnej sekcji pokazano osiem paneli ze wspólnymi skalami. Każdy punkt odpowiada parze pomiarów; punkt zachowany do wyjaśnienia wyróżniono dodatkowo obwódką. Wspólna skala utrudnia dostrzeżenie drobnych różnic przy typowych drganiach, ale uczciwie pokazuje rozmiar nietypowego pomiaru. Ewentualne powiększenie zakresu należałoby oznaczyć i przedstawić jako widok dodatkowy, nie zastąpić nim pełny obraz.

Wykres jako kontrola interpretacji

Osiem wykresów temperatury w stopniach Celsjusza i drgań w mm/s, po 90 punktów na urządzenie. Skale wspólne. Korelacja U-05 około 0,102 przy zachowanym punkcie 4,850 mm/s; U-07 około 0,778. Pozostałe grupy nie odtwarzają globalnego wyniku około 0,644.

Rysunek 1. Temperatura i drgania według urządzenia. Obliczenia i wykres na danych kursowych pomiary_clean.csv; wszystkie 720 par zachowano. Współczynnik r i liczebność n podano w tytułach paneli. To ilustracja książkowa, nie dodatkowy obowiązkowy plik do oddania.

Poprawiony wniosek może brzmieć: „W badanym zbiorze temperatura i drgania są dodatnio skorelowane globalnie, ale siła liniowego związku różni się między urządzeniami. Korelacje grupowe i wykresy nie pozwalają utożsamić wyniku globalnego z relacją wewnątrz każdego urządzenia. Pomiar U-05 wymaga dodatkowego wyjaśnienia. Analiza nie ustala, czy temperatura powoduje zmianę drgań”.

Werdykt dla M5-U02 to „przyjęto po korekcie”: przydatne jest rozdzielenie grup, nieuzasadnione jest słowo „wpływa”. Różnica współczynników sama w sobie nie dowodzi statystycznej istotności różnic między urządzeniami. Pomiary powtarzają się w czasie, więc także założenie niezależności obserwacji wymagałoby oceny przed formalnym wnioskowaniem.

M5 U03 Czy nazwa trybu oznacza mniejsze drgania

Nazwa oszczedny jest etykietą kategorii, nie wynikiem badania. Nie wynika z niej, że tryb musi zmniejszać drgania, a nawet niższa obserwowana wartość nie dowodziłaby efektu przyczynowego. Najpierw porównujesz dostępne pomiary w obu trybach i sprawdzasz, jak wybór miary wpływa na opis.

tryby = (
    df.groupby("tryb", as_index=False)
    .agg(n=("drgania", "size"), mediana=("drgania", "median"),
         srednia=("drgania", "mean"), maksimum=("drgania", "max"))
)
assert set(tryby["tryb"]) == {"auto", "oszczedny"}
assert tryby["n"].eq(360).all()
display(tryby.round(4))
mediany_trybow = df.pivot_table(
    index="urzadzenie", columns="tryb", values="drgania",
    aggfunc="median"
)
roznica = mediany_trybow["oszczedny"] - mediany_trybow["auto"]
display(roznica.rename("oszczedny_minus_auto"))

Tryb

n

Mediana w mm/s

Średnia w mm/s

auto

360

1,2440

1,2379

oszczedny

360

1,2420

1,2533

Globalna mediana w trybie oszczedny jest niższa o 0,0020 mm/s, lecz średnia jest wyższa. Maksimum wynosi 4,850 mm/s w trybie oszczedny i 1,618 mm/s w auto. Mediany w urządzeniach nie wskazują jednolitego kierunku: różnica oszczedny minus auto jest ujemna w trzech urządzeniach, zerowa w jednym i dodatnia w czterech; zakres to od −0,016 do +0,022 mm/s.

Taki wynik nie uzasadnia zdania „tryb oszczędny redukuje drgania”. Nie dowodzi też, że efekt trybu na pewno nie istnieje. Dostarcza opisu obserwacji i wskazuje, że prosta historia o jednolitej poprawie jest zbyt mocna. Do lepszego porównania użyteczny byłby wykres rozkładów z liczebnościami oraz podziałem na urządzenia, nie wyłącznie słupki dwóch średnich.

Analiza wrażliwości bez usuwania danych

Możesz sprawdzić, jak pojedynczy pomiar wpływa na średnią, nie uznając go automatycznie za błąd. Utwórz wariant diagnostyczny w odrębnej zmiennej. Wykluczenie identyfikuj jednoznacznym kluczem czasu i urządzenia, a nie ogólnym poleceniem „usuń wartości odstające”.

punkt = (
    df["urzadzenie"].eq("U-05")
    & df["czas"].eq(pd.Timestamp("2026-02-08 20:00"))
)
assert punkt.sum() == 1
assert np.isclose(df.loc[punkt, "drgania"].iloc[0], 4.850)
diagnostyczny = df.loc[~punkt].copy()
srednia_pelna = df.loc[df["tryb"].eq("oszczedny"), "drgania"].mean()
srednia_diag = diagnostyczny.loc[
    diagnostyczny["tryb"].eq("oszczedny"), "drgania"
].mean()
print("Pełny zbiór:", srednia_pelna, "Diagnostycznie:", srednia_diag)
pd.testing.assert_frame_equal(df_baza, df)

Średnia w trybie oszczedny zmienia się z około 1,2533 do 1,2432 mm/s po pominięciu jednego punktu w wariancie diagnostycznym. Zmieniła się też liczba obserwacji tego trybu: z 360 do 359. To dowód wrażliwości miary na wskazany pomiar, nie podstawa do trwałego skasowania rekordu ani potwierdzenie przyczyny jego wystąpienia.

Od obliczeń do akapitu raportu

Dobry opis łączy obserwację, podstawę obliczeń i ograniczenie. Przykład: „W pełnym zbiorze mediany drgań w trybach auto i oszczedny wynoszą odpowiednio 1,244 i 1,242 mm/s, przy 360 obserwacjach każdego trybu. Kierunek różnic median zależy od urządzenia. Średnia trybu oszczedny jest wrażliwa na zachowany pomiar 4,850 mm/s. Dane nie uzasadniają wniosku o przyczynowej redukcji drgań przez tryb”.

Dla pierwotnej tezy M5-U03 przyjmij werdykt „odrzucono”. Samo neutralne porównanie trybów pozostaje użytecznym pytaniem, ale nie jest tym samym co przyjęcie tezy o redukcji. W rejestrze oddziel te dwie rzeczy. Jeśli Twoje własne odpowiedzi LLM nie dają przykładu do odrzucenia, przeanalizuj ten przygotowany przypadek, zamiast wymuszać nieuczciwy werdykt.

Sprawdź rozumienie 4

Dlaczego korelacja globalna nie opisuje automatycznie każdego urządzenia? Co możesz powiedzieć po zmianie średniej w wariancie bez jednego punktu, a czego nadal nie wiesz? Sformułuj neutralny odpowiednik zdania „tryb oszczędny poprawia stan urządzeń”.