349276_es-ES

liliconcom

Un cuento oscuro: narración visual con JMP® (2021-EU-30MP-792)

Nivel: intermedio

 

Caleb King, Probador de estadísticas de investigación de JMP, SAS

 

En esta charla, ilustramos cómo puede utilizar la amplia gama de funciones gráficas en JMP, incluidas las nuevas capacidades en JMP 16, para ayudar a contar la historia de sus datos. Utilizando la base de datos del FBI sobre delitos de odio denunciados entre 1991 y 2019, demostraremos cómo las herramientas clave de la caja de herramientas gráficas de JMP, como los grafitos y la modificación de funciones interactivas, pueden llevar a los espectadores a nuevos conocimientos. Pero la diversión no se detiene en los gráficos. También mostraremos cómo puede permitir que su audiencia "elija su propia aventura" mediante la creación de guiones de tablas para subconjuntar sus datos en conjuntos de datos más pequeños, cada uno con sus propios gráficos listos para proporcionar nuevas perspectivas sobre la narrativa general. Y no se preocupe. No todo es tan oscuro como parece ...

 

 

Transcripción generada automáticamente ...

 

Vocero	Transcripción
Caleb King	Hola, mi nombre es Caleb King, soy desarrollador en el software JMP. Estoy específicamente en el grupo de diseño de experimentos, pero hoy voy a ser
	un poco fuera de tema y hable sobre cómo puede usar los gráficos y algunas de las otras herramientas en JMP para ayudar con la narración visual de sus datos.
	Ahora, el conjunto de datos que he elegido es ... para ilustrar que son los datos de delitos de odio recopilados por el FBI, por lo que tal vez sea un conjunto de datos un poco controvertido, pero también bastante relevante para lo que ha estado sucediendo.
	Y mi objetivo es hacer esto más ilustrativo, así que revisaré un par de gráficos que he creado anteriormente.
	para este conjunto de datos. Y no necesariamente te mostraré cómo hice los gráficos, pero el propósito es ilustrarte cómo puedes usar JMP.
	para, como dije, la narración visual, así que use la interactividad para ayudar a que las personas vean los gráficos e interactúen con ellos
	tal vez para hacer más preguntas, tal vez esté respondiendo algunas de sus preguntas, a medida que avanza. Pero fomente la exploración de datos, que es de lo que se trata aquí en JMP.
	Entonces, dicho esto, entremos de inmediato.
	Primero les daré un poco de descripción general del conjunto de datos en sí, así que simplemente me desplazaré aquí. Entonces hay mucha información sobre
	donde ocurrieron los incidentes.
	A medida que avanzamos, y la fecha, bueno, cuando ocurrió ese incidente. Tienes un poco de información sobre los infractores.
	y qué delito, tipo de delito se cometió. De nuevo, alguna información básica, qué tipo de sesgo se presentó en el incidente. Alguna información sobre las víctimas.
	Y la categoría de discriminación general, y luego alguna información adicional que proporcioné sobre latitud y longitud, si está disponible, así como alguna población que usaré en otros gráficos. Ahora solo por el bien de, ya sabes, para que quede claro,
	el FBI, que es la Oficina Federal de Investigaciones de los Estados Unidos, define un crimen de odio es cualquier
	Delito criminal que tiene lugar motivado por prejuicios contra un grupo en particular. De modo que ese prejuicio podría ser racial, contra la religión, el género, la identidad de género, etc.
	Por lo tanto, siempre que un delito esté motivado por un sesgo particular, se considera un delito de odio y estos datos consisten en todos los incidentes que se han registrado.
	recopilada por el FBI, que se remonta al año 1991 y tan reciente como 2019. No tengo datos de 2020, por muy interesante que sea,
	pero eso se debe a que al FBI le gusta tomarse su tiempo y asegurarse de que los datos se limpien y preparen a fondo antes de crear sus informes. Asi que
	puede estar seguro de que estos datos son bastante precisos, dado el tiempo y el esfuerzo que dedican a asegurarse de que lo sean.
	Muy bien, con eso, comencemos y hagamos un resumen visual básico de los datos. Entonces comenzaré ejecutando este pequeño script de tabla aquí. Y todo lo que esto hace es básicamente darnos
	un recuento a lo largo de los días, por lo que cada día, cuántos incidentes ocurrieron, de acuerdo con un sesgo particular. A partir de esto, voy a crear una trama básica, en este caso es una especie de trama lineal
	aquí, que muestra el número de incidentes que ocurren cada día en todo el rango. Entonces obtienes todo ... puedes ver todo el rango de datos de 1991 a 2019
	y cuántos incidentes ocurrieron. Ahora bien, esto en sí mismo probablemente sería una buena imagen estática, porque tienes una especie de sensación de
	donde cae el número de incidentes. De hecho, aquí voy a cambiar un poco la configuración del eje. Veamos, tenemos incrementos en 50, hagámoslo en 20. Aquí vamos.
	Así que hay un poco de interactividad para ti ... interacción. Cambiamos las escalas para refinarlas y tener una mejor idea de
	cuántos incidentes, en promedio, hay. Ejecuté un poco de distribución y, en promedio, alrededor de 20 incidentes por día.
	que vemos aquí. Ahora, por supuesto, probablemente se esté preguntando por qué todavía no he abordado los dos picos que vemos en los datos.
	Entonces sí, claramente hay dos picos realmente altos. Y entonces, si esto fuera
	cualquier otro tipo de software, podría decir, está bien, me gustaría investigarlo. Así que vuelve a los datos que prueba y
	saber, aislar dónde están esas fechas y tal vez intentar presentar algunas parcelas o hacer algún análisis para mostrar lo que está sucediendo allí. Bueno, esto es JMP y tenemos algo que puede
	ayuda con eso, y es algo que introdujimos en JMP 15 llamado graphlets y funciona así. Solo voy a flotar y boom.
	Ha aparecido un pequeño grafito para ayudar a resumir mejor lo que está sucediendo en ese momento. Entonces, en este caso, hay mucha información.
	Notaremos primero la fecha, 1 de mayo de 1992. Entonces, si está familiarizado con la historia de Estados Unidos, es posible que sepa lo que está sucediendo aquí, pero si no,
	puede obtener una pista adicional haciendo clic en el gráfico. Entonces ahora verás que te estoy mostrando
	los incidentes por el sesgo particular del incidente. Entonces vemos aquí que la mayoría de los incidentes fueron contra individuos blancos y luego el siguiente grupo es negro o afroamericano y continúa hacia abajo.
	En cierto modo, entrego la respuesta aquí, en los incidentes que ocurrieron en esta época en los disturbios de Rodney King en California. Rodney King,
	un individuo afroamericano que desafortunadamente fue asesinado por un oficial de policía y eso provocó muchas reacciones violentas y disturbios
	sobre esta hora. Entonces, eso es lo que estamos viendo capturado en este punto de datos en particular, y si no lo supiera, al menos tendría esta información para intentar comenzar e ir a buscar allí ... buscar en línea para descubrir qué sucedió.
	Podemos hacer lo mismo aquí con un pico muy grande. Y de nuevo, usaré el graflet flotante, así que coloca el cursor sobre él. Haré una pausa para dejarte mirar. Entonces miramos la fecha, 12 de septiembre de 2001. Eso es en sí mismo una pista muy grande
	en cuanto a lo que pasó. Pero si miramos aquí el desglose, podemos ver que la mayoría de los incidentes fueron contra personas de fe musulmana, de
	Etnia árabe o algún otro tipo de etnia o ascendencia similar. En este caso, podemos ver claramente
	que, luego de los lamentables hechos del 11 de septiembre, los atentados terroristas que ocurrieron entonces, hubo al día siguiente, mucha reacción contra
	miembros que eran de etnia similar, fe similar, etc., por lo que tuvimos una reacción negativa desafortunada en ese momento.
	Entonces, ya con solo esta trama y algo de esa interactividad, hemos podido recopilar mucha información, mucha información de alto nivel en áreas donde es posible que desee buscar más.
	Pero podemos seguir adelante. Ahora, algo nuevo en JMP 16 es que, debido a que tenemos la fecha aquí en el eje X, podemos agrupar las fechas en una categoría más grande, así que en este caso vamos a agruparlas por mes.
	Y vemos que la trama desaparece. Así que esto es lo que voy a hacer. Voy a volver a ejecutarlo y veamos.
	Aquí vamos.
	Nunca se sabe lo que pasará. En este caso, esto es lo que se supone que debe suceder; no te preocupes.
	Así que lo hemos agrupado por mes y notamos un patrón interesante aquí. Parece que se está produciendo algún tipo de tendencia estacional, y usemos los grafos flotantes para ayudarnos a identificar lo que podría estar sucediendo. Así que voy a pasar el cursor sobre los puntos inferiores. Entonces, si hago eso,
	vemos bien, enero, diciembre, bien. Interesante. Pasemos el cursor sobre otro, diciembre.
	Y otro más, diciembre. Ah, en realidad podría haber alguna tendencia estacional real en este caso. Parece que llegamos a puntos bajos en los meses de invierno.
	Y de hecho, si vuelvo a mi tabla de datos, ya lo he visto antes. Fue algo que descubrí mientras exploraba esa técnica y ya he creado una trama para abordar eso.
	Así que esto fue algo que creé basándome en eso, algo así como, mira, ya sabes, cuál es la variación en el número de incidentes durante todos los años dentro de este mes.
	Y aquí podemos ver las tendencias medias, pero también vemos mucha variación, especialmente aquí en septiembre debido a ese gran aumento allí.
	Entonces, tal vez necesitemos algo un poco más apropiado. Así que abriré el panel de control y, oye, escojamos la mediana. Eso es más robusto y tal vez mire el rango intercuartílico, de esa manera tenemos un poco más robusto
	métricas para jugar.
	Y así, nuevamente, vemos que las tendencias estacionales, por lo que parece que definitivamente hay una gran caída en los meses de invierno.
	en lugar de alcanzar su punto máximo en los meses de primavera y verano. Ahora
	esto podría ser algo que alguien podría querer investigar más a fondo e investigar por qué está sucediendo eso.
	Es posible que tenga sus propias explicaciones. Mi explicación personal es que creo que el espíritu navideño es tan poderoso que supera cualquier odio o prejuicio que las personas puedan tener en diciembre.
	Una vez más, esa es solo mi preferencia personal, probablemente tengas la tuya propia. Pero de nuevo, con una sola trama, pude descubrir esta tendencia y
	hacer otra trama para explorar eso más a fondo. Así que, de nuevo, con solo esta trama, he fomentado más investigaciones. Y podemos seguir adelante.
	Así que veamos, clasifiquémoslo por año, y si hacemos eso, podemos ver claramente este tipo de tendencia general.
	Así que vemos una especie de pico a finales de los 90 alrededor de principios de los 2000 antes de caer, ya sabes, de manera casi lineal,
	hasta que alcanza su punto medio a mediados de la década de 2010 antes de comenzar a subir nuevamente. Así que tenga esto en cuenta, es posible que vea tendencias similares en otros gráficos que mostramos. Pero nuevamente, demos un paso atrás y comprendamos que en esta trama hemos visto diferentes
	aspectos de los datos. Nosotros incluso
	respondió algunas preguntas, pero quizás también hemos mencionado algunas más. ¿Qué pasa con esa tendencia estacional?
	Y si no sabías cuáles fueron esos eventos que te dije, sabes, ¿cuáles fueron esos eventos en particular? Así que esa es la belleza de la interactividad de los gráficos JMP, es que permite al usuario participar y explorar y lo anima todo dentro de un solo medio en particular.
	Está bien.
	Avancemos. Así que mencioné, esto es una especie de narración visual, por lo que puedes pensar en eso como un prólogo, como una especie de vista general. ¿Qué ... qué?
	¿Cuál es la situación general? Ahora veamos el tipo de actores
	es decir, ¿quién está cometiendo este tipo de delitos? ¿Contra quién los están cometiendo? ¿Qué información podemos encontrar sobre eso? Así que aquí tengo
	creado, de nuevo, un complot para ayudar a responder eso. Ahora bien, este podría ser un buen comienzo. Aquí he creado un mapa de calor
	que luego enfatiza los conteos por, en este caso, la raza del delincuente versus su sesgo particular. Entonces vemos eso
	mucho de lo que está sucediendo, en este caso he ordenado las columnas para que podamos ver que están sucediendo muchas cosas. La mayor parte está aquí en esta parte superior
	esquina izquierda y no hay mucho que hacer aquí, lo que supongo que es una buena noticia. Hay muchos prejuicios en los que no están sucediendo muchas cosas, la mayor parte está sucediendo aquí en esta esquina.
	Ahora bien, esta podría ser una buena trama, pero nuevamente hay mucho espacio abierto aquí. Entonces, tal vez podamos jugar con cosas para tratar de enfatizar lo que está sucediendo. Entonces, una forma en que puedo hacer eso es que vendré aquí al eje X y voy a medir según el recuento.
	Ahora verán aquí, tenía algo escondido detrás de escena. De hecho, pondría una etiqueta, una etiqueta de porcentaje encima de estos.
	Había tantas cosas sucediendo antes que ni siquiera podías verlo, pero ahora podemos ver algo de esa información. Es una forma agradable de resumirlo en lugar de contarlo.
	Pero incluso con solo la visualización, podemos ver claramente que la mayor cantidad de prejuicios es contra los ciudadanos negros o afroamericanos y luego los judíos y hacia abajo hasta que casi no hay ninguno aquí. Entonces, con solo mirar el eje X, obtendrá mucha información sobre lo que está sucediendo.
	Podemos hacer lo mismo con la Y, así que, de nuevo, el tamaño según el recuento.
	Y nuevamente, hay mucha información contenida solo dentro del tamaño y cómo he ajustado los ejes.
	Y este caso incluimos ... realmente hemos enfatizado ese rincón, para que podamos ver claramente quiénes son los mejores jugadores. En este caso, la mayor parte es
	los delincuentes son de raza blanca o desconocida contra los afroamericanos, el siguiente es contra los judíos, y luego
	anti blanco y luego sigue cayendo. Así que aquí tenemos un pequeño resumen de lo que está sucediendo. Ahora, puede que hayas notado que mientras estoy rondando, vemos nuestro pequeño círculo. Ese es mi indicador de graflet, así que de nuevo tengo una herramienta aquí.
	Hemos interactuado un poco y, de nuevo, esta podría ser una gran imagen estática, pero usemos el poder de JMP, especialmente esos gráficos,
	para interactuar y ver qué más información podemos encontrar. Entonces, en este caso, pasaré el cursor por aquí.
	Y aquí mismo, un gráfico, en este caso, un gráfico de barras empaquetado, cortesía de nuestro gurú gráfico Xan Gregg. En este caso, no solo puedes ver, ya sabes,
	qué personas están cometiendo los delitos y contra quién, su siguiente pregunta podría haber sido, ya sabes, ¿qué tipos de delitos se están cometiendo? Bueno, con un graflet, lo he respondido por ti.
	Podemos ver aquí el más grande ... el tipo abrumador de ofensa es la intimidación, seguido de asalto simple y agravado, y luego el resto de estos, esa es la belleza del gráfico de barras lleno.
	Podemos ver todos los demás tipos de delitos que se cometen. Si los apila todos uno encima del otro, ni siquiera se comparan. Ni siquiera rompen los tres primeros.
	Entonces eso te dice mucho sobre los tipos de ... este tipo de ofensas, cuán dominantes son.
	Ahora, otra pregunta que puede tener es, está bien, hemos visto a los actores, hemos visto las acciones que están tomando,
	pero hay un aspecto de tiempo en esto. Obviamente, esto está sucediendo con el tiempo, entonces, ¿ha sido algo consistente? ¿Ha habido un cambio en las tendencias? Bien,
	no tener miedo. Graphlets de nuevo al rescate. En este caso, puedo mostrarte esas tendencias. Así que aquí podemos ver cómo ha
	tipos de ... ¿el número de incidentes de intimidación cambió con el tiempo? Y nuevamente, vemos que el patrón parece seguir la tendencia general.
	Un pico por el estilo, finales de los 90, y luego la tendencia pronunciada ... caída casi lineal hasta mediados de la década de 2010, antes de volver a subir más recientemente.
	Y de nuevo quizás podamos ver esa tendencia y otras. No haré clic para acercarme, pero puedes ver en la trama aquí, esas tendencias en asalto simple aquí y asalto agravado también, un poco allí.
	Y puedes seguir explorando. Así que miremos lo desconocido contra los afroamericanos y veamos qué diferencia podría haber allí. En este caso, podemos ver claramente
	que hay dos tipos de delitos que realmente dominan, en este caso, la destrucción o el daño a la propiedad (lo cual, si lo piensa, podría tener sentido; si ve que su propiedad ha sido dañada, es muy probable que no sepa quién lo hizo)
	y la intimidación son los dominantes. Y de nuevo, puede ... lo bueno de esto es que las etiquetas flotantes persisten, por lo que puede volver a mirar y ver qué tendencias están sucediendo allí.
	Entonces, en este caso, vemos con daños, en realidad hay dos picos, que alcanzaron su punto máximo aquí a fines de los 90 y principios de los 2000, antes de volver a caer. Y con la intimidación, vemos una tendencia similar a la que vimos antes.
	Una vez más, dentro de un solo gráfico, hay mucha información contenida y con la que usted, como usuario, puede interactuar para tratar de enfatizar ciertas áreas clave, y luego usted, como usuario, simplemente visualiza ... solo mira esto e interactúa con él, puede jugar y obtener mucha información.
	Está bien.
	Y sigamos adelante. Ahora notará que entre las agencias de informes, la mayoría de ellas son a nivel de ciudad / condado
	departamentos de policía y demás, pero también hay algunas universidades aquí. Así que podría haber alguien por ahí que pudiera estar interesado en ver, ya sabes, lo que está sucediendo en las universidades.
	Y así, con eso, he creado este lindo script de tabla para responder eso. Ahora esta vez
	Solo he estado ejecutando los guiones de la tabla y mencioné, no iré demasiado detrás de escena, esto es más ilustrativo.
	Aquí les voy a dejar echar un vistazo, porque no solo quiero mostrarles el poder de los gráficos sino también el poder del script de tabla. Ahora, si está familiarizado con JMP,
	puede que sepas, está bien, el script de la tabla es bueno porque puedo guardar mis análisis, puedo guardar mis informes, incluso puedo usarlo para guardar gráficos como yo ... como hice en el último, por lo que es posible que no lo hayas notado que tu tambien puedes salvar
	scripts para ayudar a ejecutar tablas adicionales y tablas de resumen, etc. Permítanme mostrarles todo lo que está sucediendo aquí, de hecho, cuando ejecuté el script, en realidad creé dos tablas de datos.
	Solo viste el uno, entonces en este caso primero creé la tabla de datos que seleccionó todas las universidades y luego de esa tabla de datos creó un resumen y luego cierro la anterior.
	Y luego también agregué a eso algunos de los gráficos. Así que no entraré en demasiados detalles aquí sobre cómo configuré esto, porque quiero guardar eso para después del próximo. Te daré una pista. Se basa en una nueva función de JMP 16 que realmente te sorprenderá.
	Muy bien, volvamos a ... disculpe ... incidentes universitarios.
	Y aquí de nuevo he guardado el script de la tabla. Este que nos mostrará un gráfico.
	Así que aquí podemos ver de nuevo ese gráfico de barras lleno, y aquí les estoy mostrando qué universidades tuvieron la mayor cantidad de incidentes. De nuevo, esto en sí mismo podría ser un gráfico estándar bastante bueno.
	Puedes ver eso, ya sabes, qué universidad parece tener la mayor cantidad de incidentes ocurriendo y nuevamente es agradable ver que no hay una realmente dominante. Todavía puedes empacar las otras universidades
	encima de ellos, y nadie domina a uno ni al otro. Así que eso en sí mismo es una buena noticia, pero nuevamente hay un aspecto de tiempo en esto. Asi que
	¿Han sido estos tal vez ... la Universidad de Michigan Ann Arbor, han tenido problemas todo el tiempo? ¿Han ... habrían permanecido siempre en la cima? ¿Acaso tuvieron un mal año? Nuevamente, graphlets al rescate.
	En este caso,
	verás una trama interesante aquí. Podrías decir, ya sabes, ¿qué es esta cosa? Parece que pertenece a un museo Art Deco. Qué...
	¿Qué tipo de trama es esta? Bueno, en realidad es uno que hemos visto antes. Solo estoy usando algo nuevo que salió en JMP 16, así que les voy a dar un vistazo entre bastidores.
	Y en este caso, podemos ver, esto es en realidad un mapa de calor. Todo lo que he hecho
	es que hago un truco que a menudo me gusta hacer, que es enfatizar las cosas de dos maneras diferentes, por lo que no solo enfatizar los recuentos por color, que es lo que normalmente haría en un mapa de calor, los blancos son las entradas que faltan, yo También ahora en JMP 16 puede enfatizar por tamaño.
	Y entonces creo que esto vuelve a volver al tamaño de esos ejes antes. Enfatiza ... ayuda a enfatizar ciertas áreas. Entonces, aquí podemos ver ahora que tal vez haya un pequeño problema con los incidentes contra los afroamericanos,
	eso ha sido bastante consistente, con un año especialmente malo aparentemente en 2017, a diferencia de todos los otros incidentes que han estado ocurriendo.
	Ahora no hay etiquetas de desplazamiento adicionales aquí.
	Todo lo que haré es resumir los datos, pero está bien.
	Esto en sí mismo le brinda mucha información, por lo que esto es algo nuevo que salió en JMP 16 que nuevamente puede ayudar con ese énfasis.
	Y nuevamente, podemos seguir adelante. Podemos mirar otras universidades, así que aquí, este podría ser un ejemplo de una universidad en la que parecen tener un período de tiempo bastante malo,
	la Universidad de Maryland en College Park, pero luego había un área donde
	las cosas fueron realmente buenas, por lo que podría estar interesado en saber, bueno, ¿qué pasó para hacer de este un período tan bueno?
	¿Hay algo que instituyó la universidad, lo que hicieron, que pareció hacer que el recuento, la cantidad de incidentes se redujera significativamente? Eso podría ser algo que valga la pena investigar.
	Y puedes seguir y mirar de nuevo para ver si se trata de un problema sistémico, si, en este caso, parecía que había un año realmente malo que dominó, en general, simplemente lo estaban haciendo bien.
	Lo estaban haciendo bastante bien. De nuevo, este podría ser otro. Lo pasaron muy mal al principio, pero recientemente lo han estado haciendo bastante bien,
	Etcétera. Una vez más, resaltando esa interactividad una vez más,
	y en este caso, con algunas de las funciones más nuevas de JMP 16. Ahora, antes de pasar al último, tengo una confesión. Soy un poco nerd de los mapas, así que me gustan mucho los mapas y cualquier tipo de análisis de datos que, ya sabes, se relacione con los mapas.
	No sé por qué. Me gusta mucho y estoy muy emocionado de mostrarles este próximo, porque ahora miramos la geografía de los incidentes.
	Pero también estoy emocionado porque esto realmente, creo, resalta el poder de los scripts de tabla y los gráficos JMP, especialmente los gráficos flotantes.
	Espero que eso también te haya emocionado, así que hagámoslo. Ahora bien, este va a tomar un poco de tiempo porque en realidad están sucediendo muchas cosas con este script de tabla. Está creando una nueva mesa. También está haciendo muchas funciones en esa tabla.
	e informática muchas cosas. Entonces, aquí no solo tenemos, ya sabes, obteniendo información, sino que también hay muchas de estas columnas aquí cerca del final que se han calculado detrás de escena.
	Ahora tengo que tomarme un breve momento para hablar sobre una métrica en particular que voy a usar. Hace un tiempo, escribí una entrada de blog llamada Crime Rate Conundrum en la comunidad de JMP (community.jmp.com),
	tan descarado que se conecte allí, pero en eso hablé sobre cómo, ya sabes, generalmente cuando estás informando incidentes, especialmente incidentes delictivos,
	por lo general, sabemos que no solo desea informar los recuentos sin procesar, porque
	puede haber un área determinada en la que tenga una gran cantidad de recuentos, una gran cantidad de incidentes, ¿es solo porque eso es ... hay un problema allí?
	¿O es porque hay mucha gente ahí? Y entonces, por supuesto, esperaríamos muchos incidentes porque hay mucha gente. Entonces, por supuesto, la gente
	reportar tasas de incidencias. Eso está bien porque ahora todos están en igualdad de condiciones, pero un efecto secundario de eso es que tiende a elevar
	lugares que tienen poblaciones pequeñas. Esencialmente, tiene, si tiene un denominador pequeño, tenderá a tener una proporción mayor solo por eso.
	Y ese es un efecto secundario desafortunado, por lo que hablo de un caso interesante en el que tenemos un lugar con una población realmente pequeña que se infla mucho.
	Y cómo algunas personas lidian con eso. Una forma en que traté de abordar eso fue mediante el uso de una tasa de incidentes ponderada, esencialmente, la idea es
	Tomo tu tasa de incidentes, pero luego te pongo en cuenta, más o menos, en qué proporción ...
	disculpe ... básicamente un peso por la cantidad de personas que tiene allí. En este caso, tengo un peso particular, básicamente clasifico las poblaciones,
	de modo que el lugar más grande tendría rango de más pequeño. Sin embargo, en este caso hay 50 estados, por lo que el estado con la mayor población tendría una
	rango de 50 y el estado más pequeño un rango de uno. Si toma eso y lo divide por conocer el rango máximo, ese es esencialmente su peso, por lo que es una forma de poner
	un peso correspondiente a su población total y la idea aquí es que, si su tasa de incidencia es tal que supera esta penalización de peso, si lo desea,
	entonces eso significa que podría ser alguien a quien valga la pena investigar. Entonces trata de contrarrestar
	esa inflación, solo debido a una pequeña población. Si todavía es relativamente pequeño, pero su tasa de incidentes es lo suficientemente alta como para superar su peso esencialmente,
	es posible que queramos investigarlo. Así que espero que no haya demasiada información, pero esa es la métrica que usaré principalmente, así que ejecutaré el script
	y
	Aquí vamos. Entonces, primero tengo una gráfica de línea sencilla que muestra las tasas de incidentes ponderadas a lo largo del tiempo para todos los estados.
	Ahora usaré una nueva función aquí. Podemos ver aquí que Nueva Jersey parece dominar. Nuevamente interactividad, podemos hacer clic para resaltarla.
	Hay algunas cosas nuevas que hacemos, especialmente en JMP 16. Voy a hacer clic derecho aquí y agregaré algunas etiquetas. Así que hagamos el valor máximo y hagamos el último valor.
	solo para comparar.
	Entonces aquí podemos ver esto ... el pico aquí fue de aproximadamente 11.4 incidentes por cada 1,000 (esa es una tasa de incidentes ponderada) aquí en una especie de principios de los 90.
	Y luego vemos una tendencia decreciente, nuevamente parece caer casi igual que la tasa general de incidentes antes de comenzar a alcanzar su punto máximo nuevamente aquí en
	2019. De nuevo, con solo algunos números breves nuevamente, esto, en sí mismo, sería una trama interesante para ver, pero como puede ver, mi pequeño indicador de grafito se está apagando, así que hay más.
	Aquí es donde entra en juego la parte del mapa. Así que voy a pasar el cursor sobre un punto en particular.
	En este caso, no solo
	¿Puede ver una especie de tasa general? De hecho, puedo desglosarla, en este caso por condado. Así que aquí he coloreado el
	condados por el número total de incidentes dentro de ese año. Y nuevamente, existe ese aspecto de tiempo, por lo que esto le muestra una instantánea de un año en particular, en este caso 2008.
	Pero tal vez esté interesado en la tendencia general, por lo que una forma de hacerlo es, oye, estos son los grafitos. Podría retroceder, colocar el cursor sobre otro punto, abrir ese gráfico, hacer clic en él para hacer zoom,
	repita según sea necesario. Podrías hacer eso o podrías usar este nuevo truco que encontré mientras preparaba esta presentación.
	Vamos a mostrar ... fíjense aquí al lado, tenemos un filtro de datos local. Esa es realmente la clave detrás de estos graphlets.
	Voy a venir aquí el año y voy a cambiar su tipo de modelado a nominal, en lugar de continuo, porque ahora puedo hacer algo como esto. Realmente puedo pasar por
	y seleccione años individuales o, ahora esto es JMP, podemos hacerlo mejor.
	Déjame ir aquí y voy a hacer una animación. Voy a hacerlo un poco rápido aquí. Voy a hacer clic en reproducir, y ahora puedo sentarme, relajarme y, ya sabes, ver cómo JMP hace las cosas por mí.
	Así que aquí podemos verlo circular y tener una idea de lo que está sucediendo. Dejaré que se repita un poco. Vemos ... ya estamos empezando a ver que suceden cosas interesantes aquí.
	Dejemos que pase, obtengamos la imagen completa, ya sabes. Queremos la imagen completa, no es que esté presumiendo ni nada.
	Muy bien, pasamos en bicicleta y notamos algo. Así que bajemos aquí para decir 2004, 2005. Entonces, en algún lugar por aquí, notamos que este condado, en particular, parece estar destacado.
	Y de hecho, viste mi pequeño indicador de grafito. Así que, de nuevo, puedo colocar el cursor sobre él y aquí
	otro mapa más. Ahora puedes ver por qué estoy tan emocionado.
	Nuevamente, en este caso, puedo mostrarles a nivel de condado, por lo que el nivel de condado individual ...
	Disculpe, déjeme ... movamos eso un poco. Alli estamos nosotros. Algunos ajustes menores y nuevamente, pueden ver mi truco de enfatizar las cosas de dos maneras, tanto por tamaño como por color.
	Podemos ver una especie de dispersión dentro de los ???, se trata de ubicaciones individuales y, debido a que existe ese aspecto de tiempo de nuevo,
	lo sabemos ... ahora lo sabemos mejor, no tenemos que volver atrás y hacer clic y obtener varios gráficos, podemos usar nuevamente los trucos del filtro de datos locales. Entonces puedo volver. Lo haré
	el año, por lo que, en este caso, podemos volver a hacer clic. Aquí solo voy a usar las teclas de flecha de mi teclado para recorrer una especie de ciclo.
	Y simplemente tenga una idea de cómo van variando las cosas con el tiempo. En este caso, ve un área en particular, probablemente ya la haya visto, comenzando aproximadamente en el marco de 2006, 2007ish.
	Hay una zona ... esta de aquí.
	Keansburg, que parece estar resaltado y notarás otro grafito. Que tan lejos quieres ir?
	Graphception, por así decirlo.
	Podemos
	sigue bajando más y más hacia adentro. En este caso, obtengo ... lo separo por cuál fue el sesgo, y nuevamente podría hacer ese truco si quisiera, para pasar y recorrer por año.
	Entonces, nuevamente, tanto poder en estos gráficos. Con este grafito, pude explorar la variación geográfica a nivel de condado e incluso más abajo, por lo que podría ser
	lo que le permite explorar diferentes aspectos de los datos, lo que le permite generar más preguntas. ¿Qué estaba sucediendo en Keansburg en esta época para que saliera así?
	Eso es algo que quizás quieras saber.
	Eso es todo lo que tengo para ti hoy, espero haber abierto tu apetito y haber podido ilustrarte claramente lo poderosa que es la visualización JMP para explorar los datos.
	Si desea saber más, habrá una charla plenaria sobre visualización de datos. Definitivamente los animo a explorar eso y de alguna manera ayuda a abordar diferentes formas de visualización y cómo JMP puede ayudar con eso.
	Pero les prometí, en un momento dado, que les daría un vistazo de cómo pude crear estos guiones de tablas asombrosos y lo haré ahora mismo.
	Ahora se llama registro mejorado en JMP 16. Esta es una de las nuevas características más interesantes de JMP 16. El registro mejorado en realidad lo sigue a medida que interactúa y lo rastrea. Y así, siempre que cerré, en este caso, cerré una tabla de datos, abrí una tabla de datos, ejecuté una tabla de datos,
	si agregué una nueva columna, si creé un nuevo gráfico, se registra aquí en el registro.
	Esto es algo de lo que hablará John Sall en su charla plenaria. Es, nuevamente, una de las características más nuevas y sorprendentes aquí.
	Y esta es la clave de cómo pude crear estos scripts de tablas. Honestamente puedo decir que si esto no hubiera estado presente, probablemente no hubiera podido crear estos guiones de tablas geniales, porque sería mucho trabajo por hacer.
	Nuevamente, esta es una característica realmente genial que está disponible en JMP 16. Así que espero poder convencerlos de que JMP es una gran herramienta para explorar datos, para crear visualizaciones asombrosas, visualizaciones interactivas. Y eso es todo lo que tengo. Gracias por venir.

Lo mejor de la cumbreFugarseExploración de datosVisualización de datos