Vocero
|
Transcripción
|
| rey caleb |
Hola, mi nombre es Caleb King, soy desarrollador del 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, son los datos sobre 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 creé anteriormente. |
| |
para este conjunto de datos. Y no necesariamente les mostraré cómo hice los gráficos, pero el propósito es ilustrarles cómo pueden usar JMP. |
| |
Para, como dije, la narración visual, use la interactividad para ayudar a guiar a las personas a mirar los gráficos e interactuar con ellos. |
| |
Para tal vez hacer más preguntas, tal vez responda algunas de sus preguntas a medida que avanza. Pero fomentemos esa exploración de datos, que es de lo que se trata aquí en JMP. |
| |
Dicho esto, entremos de inmediato. |
| |
Primero les daré una pequeña descripción general del conjunto de datos en sí, así que simplemente me desplazaré hasta aquí. Entonces hay mucha información sobre |
| |
donde ocurrieron los hechos. |
| |
A medida que avanzamos, y la fecha, bueno, cuando ocurrió ese incidente. Tienes un poco de información sobre los delincuentes. |
| |
y qué delito, tipo de delito se cometió. Nuevamente 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 información adicional que proporcioné sobre latitud y longitud, si está disponible, así como cierta población que usaré en otros gráficos. Ahora, para que quede claro, ya sabes, |
| |
El FBI, es decir, la Oficina Federal de Investigaciones de los Estados Unidos, define un delito de odio como cualquier |
| |
delito penal que se comete motivado por prejuicios contra un grupo en particular. Entonces ese prejuicio podría ser racial, contrario a la religión, al género, a la identidad de género, etc. |
| |
Entonces, siempre que un delito esté motivado por un prejuicio particular, se considera un delito de odio, y estos datos consisten en todos los incidentes que han sido |
| |
recopilado por el FBI, remontándose al año 1991 y tan recientemente como 2019. No tengo datos de 2020, por más interesante que sea, |
| |
pero eso se debe a que al FBI le gusta tomarse su tiempo y asegurarse de que los datos estén completamente limpios y preparados antes de crear sus informes. Entonces |
| |
Puede estar seguro de que estos datos son bastante precisos, dado el tiempo y el esfuerzo que dedican a asegurarse de que así sea. |
| |
Muy bien, con eso comencemos y hagamos un resumen visual básico de los datos. Entonces comenzaré ejecutando este pequeño script de tabla aquí arriba. Y todo lo que esto hace es básicamente darnos |
| |
un recuento a lo largo de los días, es decir, cada día, cuántos incidentes ocurrieron, según un sesgo particular. A partir de esto voy a crear un gráfico básico, en este caso es un gráfico lineal simple. |
| |
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 ustedes... interacción. Cambiamos las escalas para refinarlas y tener una mejor idea de |
| |
cuántos incidentes, en promedio, hay. Realicé una pequeña 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, se podría decir, está bien, me gustaría investigar eso. Así que vuelves a los datos que intentas y, |
| |
Ya sabes, aislar dónde están esas fechas y tal vez intentar presentar algunas tramas 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 graflets y funciona así. Simplemente voy a flotar y explotar. |
| |
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 estás familiarizado con la historia estadounidense, es posible que sepas lo que está sucediendo aquí, pero si no, |
| |
Puedes obtener una pequeña pista adicional haciendo clic en el gráfico. Así que 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 personas blancas y luego el siguiente grupo es negro o afroamericano y continúa hacia abajo. |
| |
En cierto modo doy la respuesta aquí, en los incidentes que ocurrieron en esta época en los disturbios de Rodney King en California. rodney rey, |
| |
un individuo afroamericano que lamentablemente fue asesinado por un oficial de policía y eso provocó muchas reacciones violentas y disturbios |
| |
sobre esta hora. Eso es lo que estamos viendo capturado en este punto de datos en particular, y si no lo sabía, 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 nuevamente, usaré el grafito flotante, así que coloque 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 importante. |
| |
en cuanto a lo que pasó. Pero si miramos 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, después de los desafortunados acontecimientos del 11 de septiembre, los ataques terroristas que ocurrieron entonces, al día siguiente hubo muchas reacciones violentas contra |
| |
miembros que eran de etnia similar, fe similar, etc., por lo que tuvimos una reacción desafortunada en ese momento. |
| |
Entonces, con solo esta trama y algo de esa interactividad, hemos podido recopilar mucha información, mucha información de alto nivel en áreas en las que es posible que desees investigar más. |
| |
Pero podemos seguir adelante. Ahora, algo nuevo en JMP 16 es que, como tenemos la fecha aquí en el eje X, podemos agrupar las fechas en una categoría más grande, así que en este caso las agruparemos 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 agrupamos por mes y notamos un patrón interesante aquí. Parece que se está produciendo algún tipo de tendencia estacional y usemos los gráficos flotantes para ayudarnos a identificar lo que podría estar sucediendo. Así que pasaré el cursor sobre los puntos inferiores. Entonces si hago eso, |
| |
vemos bien, enero, diciembre, bien. Interesante. Pasemos por encima de otro: diciembre. |
| |
Y otro más, diciembre. Ah, en realidad podría haber alguna tendencia estacional real en este caso. Parece que llegamos a puntos bajos durante 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 en base a eso, más o menos, mira, ya sabes, cuál es la variación en el número de incidentes a lo largo de 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. Entonces abriré el panel de control y, oye, elijamos la mediana. Eso es más robusto y tal vez mire el rango intercuartil, de esa manera tenemos un poco más robusto |
| |
Métricas con las que jugar. |
| |
Y entonces, nuevamente, vemos 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 quiera investigar más a fondo e investigar por qué sucede eso. |
| |
Quizás tengas tus 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. |
| |
Nuevamente, esa es solo mi preferencia personal, probablemente usted tenga la suya propia. Pero nuevamente, con una sola trama, pude descubrir esta tendencia y |
| |
Haz otra trama para explorar eso más a fondo. Nuevamente, con solo esta trama, he alentado a realizar más investigaciones. Y podemos seguir adelante. |
| |
Entonces, veamos, clasifiquemos por año y, si lo hacemos, podremos ver claramente este tipo de tendencia general. |
| |
Así que vemos una especie de pico a finales de los 90 y 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. 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 |
| |
Respondimos algunas preguntas, pero quizás también hayamos planteado algunas más. ¿Qué pasa con esa tendencia estacional? |
| |
Y si no sabías cuáles fueron esos eventos que te conté, ya sabes, ¿cuáles fueron esos eventos en particular? Esa es la belleza de la interactividad de los gráficos JMP: permite al usuario participar y explorar y lo fomenta todo dentro de un solo medio en particular. |
| |
Está bien. |
| |
Avancemos. Entonces mencioné que esto es una especie de narración visual, por lo que puedes pensar en eso como un prólogo, como una especie de visión general. ¿Qué es... qué es? |
| |
¿Cuál es la situación general? Ahora veamos el tipo de actores, |
| |
es decir, ¿quién comete este tipo de delitos? ¿Contra quién los cometen? ¿Qué información podemos saber al respecto? Así que aquí tengo |
| |
Creé, nuevamente, un complot para ayudar a responder eso. Este podría ser un buen comienzo. Aquí he creado un mapa de calor. |
| |
eso luego enfatiza los recuentos, en este caso, la raza del delincuente versus su prejuicio particular. Entonces vemos que |
| |
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 abajo, lo cual supongo que es una buena noticia. Hay muchos prejuicios en los que no suceden muchas cosas, la mayor parte sucede aquí en este rincón. |
| |
Ahora bien, esta podría ser una buena trama, pero nuevamente hay mucho espacio abierto aquí. Así que tal vez podamos jugar con cosas para tratar de enfatizar lo que está pasando. Entonces, una forma de hacerlo es venir aquí al eje X y calcular el tamaño por conteo. |
| |
Ahora verás aquí, tenía algo escondido detrás de escena. De hecho, pondría una etiqueta, una etiqueta de porcentaje encima de esto. |
| |
Antes sucedían tantas cosas que ni siquiera se podían ver, pero ahora podemos ver parte de esa información. Es una buena manera de resumirlo en lugar de contarlos. |
| |
Pero incluso con solo la visualización, podemos ver claramente que la mayor cantidad de prejuicios es contra los ciudadanos negros o afroamericanos y luego contra los judíos y así sucesivamente hasta que casi no hay ninguno aquí. Entonces, con solo mirar el eje X, se obtiene mucha información sobre lo que está sucediendo. |
| |
Podemos hacer lo mismo con la Y, así que nuevamente, tamaño por conteo. |
| |
Y nuevamente, hay mucha información contenida solo en el tamaño y cómo ajusté los ejes. |
| |
Y en este caso que incluimos... realmente hemos enfatizado esa esquina, 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 pasando. Ahora, habrán notado que mientras estoy rondando, vemos nuestro pequeño círculo. Ese es mi indicador de grafito, así que nuevamente tengo una herramienta aquí. |
| |
Hemos interactuado un poco y nuevamente, esta podría ser una gran imagen estática, pero usemos el poder de JMP, especialmente esos graphslets, |
| |
para interactuar y ver qué más información podemos obtener. Entonces, en este caso, pasaré el cursor por aquí. |
| |
Y aquí mismo, un gráfico, en este caso, un gráfico de barras, cortesía de nuestro gurú de los gráficos Xan Gregg. En este caso, no sólo puedes ver, ya sabes, |
| |
¿Qué personas están cometiendo los delitos y contra quién? Su siguiente pregunta podría haber sido: ¿qué tipos de delitos se están cometiendo? Bueno, con un grafito, te lo he respondido. |
| |
Podemos ver aquí el más grande... el tipo abrumador de delito es la intimidación, seguido por el asalto simple y agravado, y luego el resto de estos, esa es la belleza del gráfico de barras repletas. |
| |
Podemos ver todos los demás tipos de delitos que se cometen. Si los apilas todos uno encima del otro, ni siquiera se comparan. Ni siquiera superan los tres primeros. |
| |
Eso dice mucho sobre los tipos de... estos tipos de delitos, qué tan dominantes son. |
| |
Ahora, otra pregunta que quizás tengas es, está bien, hemos visto a los actores, hemos visto las acciones que están tomando, |
| |
pero hay un aspecto temporal en esto. Obviamente esto está sucediendo con el tiempo, entonces, ¿ha sido algo constante? ¿Ha habido un cambio en las tendencias? Bien, |
| |
no tener miedo. Graphlets de nuevo al rescate. En este caso, puedo mostrarles esas tendencias. Así que aquí podemos ver cómo ha sido el |
| |
tipos de... ¿el número de incidentes de intimidación cambió con el tiempo? Y nuevamente, vemos que el patrón parece seguir esa tendencia general. |
| |
Un pico más o menos, a finales de los 90, y luego una tendencia pronunciada... una caída casi lineal hasta mediados de los 2010, antes de volver a aumentar más recientemente. |
| |
Y nuevamente tal vez podamos ver esa tendencia y otras. No haré clic para ampliar, pero pueden ver en la trama aquí, esas tendencias en asalto simple aquí y asalto agravado también, un poco allá. |
| |
Y puedes seguir explorando. Así que miremos lo desconocido contra los afroamericanos y veamos qué diferencia podría haber ahí. 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 piensas bien, podría tener sentido; si ves que tu propiedad ha sido dañada, es muy probable que no sepas quién lo hizo) |
| |
y la intimidación son los dominantes. Y nuevamente, puedes... lo bueno de esto es que las etiquetas flotantes persisten, por lo que puedes volver a mirar y ver qué tendencias están sucediendo allí. |
| |
Entonces, en este caso, vemos que con el daño, en realidad hay dos picos, que alcanzaron su punto máximo aquí a finales de los 90 y principios de los 2000, antes de volver a caer. Y con la intimidación, vemos una tendencia similar a la que veíamos antes. |
| |
Nuevamente, 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... simplemente mira esto e interactúa. Con él, puedes jugar y obtener mucha información. |
| |
Está bien. |
| |
Y sigamos adelante. Ahora notarás que entre las agencias de informes, la mayoría son a nivel de ciudad/condado. |
| |
departamentos de policía y demás, pero también hay algunas universidades aquí. Entonces podría haber alguien por ahí que podría estar interesado en ver, ya sabes, lo que está sucediendo en las universidades. |
| |
Y con eso, he creado este pequeño y agradable guión de tabla para responder eso. Ahora esta vez, |
| |
He estado ejecutando los scripts de la tabla y mencioné que no entraré mucho detrás de escena, esto es más ilustrativo. |
| |
Aquí les dejaré echar un vistazo, porque no solo quiero mostrarles el poder de los gráficos sino también el poder del script de tabla. Ahora bien, si está familiarizado con JMP, |
| |
Quizás lo 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 lo hice... como lo hice en el último, así que quizás no lo hayas notado. que también puedes guardar |
| |
scripts para ayudar a ejecutar tablas adicionales y tablas de resumen, etc. Déjenme mostrarles todo lo que está sucediendo detrás de aquí; de hecho, cuando ejecuté el script, creé dos tablas de datos. |
| |
Solo viste uno, entonces en este caso primero creé la tabla de datos que seleccionó todas las universidades y luego a partir de esa tabla de datos creó un resumen y luego cierro el anterior. |
| |
Y luego también agregué algunos de los gráficos. Así que no entraré en demasiados detalles aquí sobre cómo configurar esto, porque quiero guardarlo para después del siguiente. Te daré una pista. Se basa en una nueva característica de JMP 16 que realmente te sorprenderá. |
| |
Muy bien, volvamos a... disculpe... incidentes universitarios. |
| |
Y aquí nuevamente guardé el script de la tabla. Éste que nos mostrará un gráfico. |
| |
Así que aquí podemos ver nuevamente ese gráfico de barras lleno, y aquí les estoy mostrando qué universidades tuvieron la mayor cantidad de incidentes. Ahora bien, esto en sí mismo podría ser un gráfico estándar bastante bueno. |
| |
Puedes ver qué universidad parece tener la mayor cantidad de incidentes y nuevamente es agradable ver que no hay ninguna que realmente domine. Aún puedes empacar las otras universidades. |
| |
encima de ellos, y nadie domina a uno ni al otro. Eso en sí mismo es una buena noticia, pero nuevamente hay un aspecto de tiempo en esto. Entonces |
| |
¿Han sido tal vez... la Universidad de Michigan Ann Arbor ha tenido problemas todo el tiempo? ¿Habrían…habrían permanecido siempre en la cima? ¿Simplemente tuvieron un mal año? De nuevo, grafitos al rescate. |
| |
En este caso, |
| |
Verás una trama interesante aquí. Podrías decir, ya sabes, ¿qué es esto? Parece que pertenece a un museo Art Déco. Qué... |
| |
¿Qué tipo de trama es esta? Bueno, en realidad es uno que hemos visto antes. Solo estoy usando algo nuevo que apareció en JMP 16, así que les daré una mirada detrás de escena. |
| |
Y en este caso, podemos ver, en realidad se trata de un mapa de calor. todo lo que he hecho |
| |
Es que hago un truco que me gusta hacer a menudo, que consiste en enfatizar las cosas de dos maneras diferentes, de modo que no solo se enfaticen los recuentos por color, que es lo que normalmente se haría en un mapa de calor, sino que los blancos son las entradas que faltan. Ahora también se puede destacar en JMP 16 por tamaño. |
| |
Y entonces creo que esto nos lleva nuevamente a donde dimensionamos esos ejes antes. Destaca... ayuda a enfatizar ciertas áreas. Entonces aquí podemos ver que tal vez haya un pequeño problema con los incidentes contra afroamericanos, |
| |
Esto ha sido bastante consistente, aparentemente con un año especialmente malo en 2017, a diferencia de todos los demás incidentes que han estado ocurriendo. |
| |
Ahora no hay etiquetas flotantes adicionales aquí. |
| |
Todo lo que haré es resumir los datos, pero está bien. |
| |
Esto en sí mismo brinda mucha información, por lo que es algo nuevo que apareció en JMP 16 y que nuevamente puede ayudar con ese énfasis. |
| |
Y nuevamente, podemos seguir adelante. Podemos mirar otras universidades, así que 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 quizás te interese saber, bueno, ¿qué pasó para que este fuera un período tan bueno? |
| |
¿Hay algo que la universidad instituyó, qué hizo, que pareció causar que el recuento y el número de incidentes disminuyeran significativamente? Podría ser algo que valga la pena investigar. |
| |
Y puedes seguir mirando de nuevo para ver si se trata de un problema sistémico, si en este caso parecía que había un año realmente malo que dominaba, en general les estaba yendo bien. |
| |
Lo estaban haciendo bastante bien. De nuevo, este podría ser otro. Lo pasaron muy mal al principio, pero últimamente les ha ido bastante bien. |
| |
Etcétera. De nuevo, destacando 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. Realmente me gusta y estoy muy emocionado de mostrarles el próximo, porque ahora miramos la geografía de los incidentes. |
| |
Pero también estoy emocionado porque creo que esto realmente resalta el poder tanto de los scripts de tablas como de los gráficos JMP, especialmente los gráficos flotantes. |
| |
Con suerte, eso también te emocionó, así que ejecutémoslo. Ahora bien, esto va a tomar un poco de tiempo porque en realidad están sucediendo muchas cosas con este script de tabla. Está creando una nueva tabla. También está haciendo muchas funciones en esa tabla. |
| |
y computando muchas cosas. Así que aquí no solo tenemos información, ya sabes, 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 particular que voy a usar. Hace un tiempo, escribí una entrada de blog llamada Crime Rate Conundrum en la comunidad JMP (community.jmp.com), |
| |
Qué comentario tan descarado, pero en eso hablé de cómo, ya sabes, normalmente cuando se informan incidentes, especialmente incidentes delictivos, |
| |
Por lo general, sabemos que no solo desea informar los recuentos brutos, porque |
| |
puede haber un área determinada donde hay una gran cantidad de conteos, una gran cantidad de incidentes, ¿es solo porque... 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, si tiene un denominador pequeño, tenderá a tener una proporción mayor solo por eso. |
| |
Y ese es un efecto secundario desafortunado, y ahí hablo de un caso interesante en el que tenemos un lugar con una población muy pequeña que se infla mucho. |
| |
Y cómo algunas personas afrontan eso. Una forma en que traté de abordar esto fue mediante el uso de una tasa de incidentes ponderada; esencialmente, la idea es |
| |
Tomo su tasa de incidentes, pero luego lo pondero según, 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 ordeno las poblaciones, |
| |
de modo que el lugar más grande tendría rango de lugar más pequeño. Sin embargo, en este caso hay 50 estados, por lo que el estado con mayor población tendría una |
| |
rango de 50 y el estado más pequeño un rango de uno. Si tomas eso y lo divides por el rango máximo, ese es esencialmente tu peso, por lo que es una forma de ponerlo. |
| |
un peso correspondiente a su población total y la idea aquí es que, si su tasa de incidentes es tal que supera esta penalización de peso, si así lo desea, |
| |
entonces eso significa que podrías ser alguien a quien valga la pena investigar. Por eso intenta contrarrestar |
| |
esa inflación, simplemente debido a una población pequeña. Si todavía eres relativamente pequeño, pero tu tasa de incidentes es lo suficientemente alta como para superar tu peso esencialmente, |
| |
es posible que queramos investigarlo. Con suerte, no fue demasiada información, pero esa es la métrica que usaré principalmente, así que ejecutaré el script. |
| |
y |
| |
Aquí vamos. Primero, tengo un gráfico lineal sencillo que muestra las tasas de incidentes ponderadas a lo largo del tiempo para todos los estados. |
| |
Ahora usaré una nueva característica aquí. Podemos ver aquí que Nueva Jersey parece dominar. Nuevamente la 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. |
| |
sólo para comparar. |
| |
Así que 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 a principios de los años 90. |
| |
Y luego vemos una tendencia decreciente, nuevamente parece caer más o menos lo mismo que lo hizo toda la tasa general de incidentes antes de comenzar a alcanzar su punto máximo nuevamente aquí en |
| |
2019. Entonces, nuevamente, con solo algunos números breves, esto, en sí mismo, sería un gráfico interesante para ver, pero como pueden ver, mi pequeño indicador de grafito está funcionando, así que hay más. |
| |
Aquí es donde entra en juego la parte del mapa. Así que me centraré en un punto en particular. |
| |
En este caso, no sólo |
| |
¿Puede ver la 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, está el aspecto del tiempo, por lo que esto les muestra una instantánea de un año en particular, en este caso 2008. |
| |
Pero tal vez esté interesado en la tendencia general, así que una forma de hacerlo es, oye, estos son grafitos. Podría regresar, pasar el cursor sobre otro lugar, abrir ese gráfico, hacer clic en él para ampliarlo, |
| |
repita según sea necesario. Podrías hacer eso o podrías usar este nuevo truco que encontré mientras preparaba esta presentación. |
| |
Mostremos... observemos que aquí al lado tenemos un filtro de datos local. Esa es realmente la clave detrás de estos grafitos. |
| |
Voy a llegar aquí al 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 |
| |
y seleccione años individuales o, ahora que 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 ver cómo JMP hace las cosas por mí. |
| |
Así que aquí podemos verlo recorrer y tener una idea de lo que está sucediendo. Lo dejaré circular un poco. Vemos... ya estamos empezando a ver que suceden algunas cosas interesantes aquí. |
| |
Dejemos que pase, obtengamos la imagen completa, ya sabes. Queremos la imagen completa, no que esté presumiendo ni nada por el estilo. |
| |
Muy bien, recorrimos el ciclo y notamos algo. Así que bajemos aquí, digamos, a 2004, 2005. Entonces, en algún lugar por aquí, notamos que este condado, en particular, parece estar resaltado. |
| |
Y de hecho, viste mi pequeño indicador de grafito. De nuevo, puedo pasar 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 a nivel de condado individual... |
| |
Disculpe, déjeme... movamos eso un poco. Ahí estamos. Algunos ajustes menores y nuevamente, puedes ver mi truco de enfatizar las cosas de dos maneras, tanto por tamaño como por color. |
| |
Podemos ver una especie de dispersión dentro del ???, estas son ubicaciones individuales y debido a que existe ese aspecto del tiempo nuevamente, |
| |
lo sabemos... ahora lo sabemos mejor, no tenemos que regresar, hacer clic y obtener múltiples gráficos, podemos usar nuevamente los trucos de filtrado de datos locales. Entonces puedo regresar. Lo haré |
| |
el año, por lo que en este caso podemos volver a hacer clic. Aquí simplemente voy a usar las teclas de flecha de mi teclado para desplazarme. |
| |
Y tener una idea de cómo varían las cosas con el tiempo. En este caso, ve un área en particular, probablemente ya la haya visto, comenzando aproximadamente en 2006, 2007. |
| |
Hay una zona... ésta aquí. |
| |
Keansburg, que parece estar resaltado y notarás otro grafito más. Que tan lejos quieres ir? |
| |
Graphcepción, por así decirlo. |
| |
Podemos |
| |
sigue bajando más y más. En este caso, obtengo... lo desgloso según cuál fue el sesgo, y nuevamente podría hacer ese truco si quisiera, para recorrer y recorrer el ciclo por año. |
| |
Entonces, nuevamente hay mucho poder en estos gráficos. Con este gráfico, pude explorar la variación geográfica a nivel de condado e incluso más abajo, por lo que podría ser |
| |
permitiéndole explorar diferentes aspectos de los datos, permitiéndole generar más preguntas. ¿Qué estaba pasando en Keansburg en esa época para que destaque así? |
| |
Eso es algo que quizás quieras saber. |
| |
Eso es todo lo que tengo para ustedes hoy. Espero haberles abierto el apetito y haber podido ilustrarles claramente cuán poderosa es la visualización JMP para explorar los datos. |
| |
Si quieres saber más, habrá una charla plenaria sobre visualización de datos. Definitivamente te animo a que explores eso y de alguna manera ayuda a abordar diferentes formas de visualización y cómo JMP puede ayudar con eso. |
| |
Pero en un momento les prometí darles un vistazo de cómo pude crear estos increíbles scripts de tablas y lo haré ahora mismo. |
| |
Ahora se llama registro mejorado en JMP 16. Esta es una de las características nuevas más interesantes de JMP 16. El registro mejorado en realidad lo sigue a medida que interactúa y realiza un seguimiento. Y así, cada vez que cerraba, en este caso, cerraba una tabla de datos, abría una tabla de datos, ejecutaba 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 habría podido crear estos fantásticos scripts de tablas, porque habría mucho trabajo por hacer. |
| |
Nuevamente, esta es una característica realmente interesante que está disponible en JMP 16. Espero haber podido convencerlos de que JMP es una gran herramienta para explorar datos, para crear visualizaciones asombrosas e interactivas. Y eso es todo lo que tengo. Gracias por venir. |
