Hola, mi nombre es Ryan Parker, y Soy entusiasmado a ser aquí hoy
con Arcilla Pregonero a compartir con tú alguno nuevo herramientas eso nosotros tenemos agregado a ayuda tú
analizar espectral datos con el Funcional Datos Explorador en JMP Pro 17.
Entonces qué hacer nosotros significar por espectral ¿datos?
Nosotros tener a lote de aplicaciones
de quimiometría eso tener motivado a lote de este trabajar.
Pero I quería justo comenzar apagado por dicho
eran en realidad preocupado acerca de datos eso tener afilado picos.
Este puede no necesariamente ser espectral datos, pero estos son el tipo de datos
que hemos tenido a duro tiempo modelado en FE arriba a este punto.
Y entonces nosotros en realidad buscado a enfocar en intentando
a abierto arriba estos aplicaciones y hacer él a lote más fácil a manejar estos afilado picos.
Tal vez potencial discontinuidades.
Justo estos grande, ondulado características de datos.
Dónde en este específico ejemplo, con espectroscopia datos,
eran pensamiento acerca de composición de materiales,
y estos picos poder representar estos composiciones,
y nosotros desear a ser capaz a intentar a cuantificar aquellos.
Entonces otro solicitud proviene de espectrometría de masas,
y aquí tú poder ver estos muy afilado picos.
Ellos son todo encima el lugar en estos diferente funciones.
Pero estos picos son representando proteínas de estos espectros,
y ellos poder ayuda tú, para ejemplo,
comparar diferencias entre cosas de a paciente con cáncer
y pacientes sin cáncer a entender diferencias.
Quiero decir, de nuevo,
es en realidad importante eso nosotros intentar a modelo estos picos Bueno
entonces eso nosotros poder cuantificar estos diferencias.
Un ejemplo eso Arcilla es yendo a espectáculo llega de cromatografía.
Este es dónde eran intentando a ...
En este caso,
nosotros desear a mirar en cuantificando el diferencia entre un aceituna aceite
versus otro verdura aceites.
Y entonces el componentes de estos cosas representado por todo de estos picos,
nosotros necesidad a, de nuevo, intentar a modelo estos Bueno.
El primero cosa I desear a cubrir son cuatro nuevo herramientas a preproceso su datos,
espectral datos antes tú conseguir a el modelado escenario.
El primero uno es el Estándar Normal Variedad.
Entonces con el Estándar Normal Variedad, eran pensamiento acerca de
estandarización cada función por su individual significar y diferencia.
Entonces eran yendo a llevar cada función uno en a tiempo,
sustraer apagado el significar, dividir por el diferencia,
entonces eso ellos todo tener significar cero y diferencia uno.
Este es un alternativa a el existente herramienta nosotros tener estandarizado,
cual es justo mirando en a global significar en diferencia
entonces eso el datos ellos mismos tener estado escamoso,
pero cierto aspectos, como medio, son aún allá,
mientras con el Estándar Normal Variedad, nosotros desear a eliminar eso para cada función.
El próximo herramientas S multiplicativa gato Corrección.
Él es similar a Estándar Normal Variedad,
el resultados fin arriba ser el mismo, similar.
Pero en este caso, eran pensamiento acerca de datos dónde nosotros tener luz dispersión.
Entonces alguno de estos espectral datos venir dónde nosotros tener a preocuparse acerca de
nuestro luz dispersión de todo el individual funciones ser diferente
de a referencia función eso eran interesado en.
Generalmente este es el significar.
Entonces qué Bueno hacer es nosotros voluntad colocar a simple modelo
entre el individual funciones a este significar función.
Sabes, obtendremos coeficientes
eso nosotros poder sustraer apagado este significar característica,
dividir por el pendiente característica,
conseguir a nosotros a eso similar estandarización el datos,
y en este caso, centrado en este luz dispersión.
Bueno, entonces en este punto,
eran pensamiento acerca de qué si nosotros tener ruido en nuestro ¿datos?
Qué si nosotros necesidad a liso ¿él?
Entonces el modelos eso nosotros desear a adaptar, para espectral datos,
estos ondículas, ellos no liso el datos para tú.
Entonces si tú tener ruidoso datos, tú en realidad desear a intentar a manejar eso primero,
y eso es dónde el Savitzky-Golay Filtrar llega en.
Qué este es yendo a hacer es adaptar norte- grado polinomios
encima un especificado ancho de banda
a intentar a encontrar el mejor modelo eso voluntad liso su datos.
Entonces nosotros buscar encima a red para tú,
elegir el mejor uno, y entonces presente el resultados a tú.
Y I hacer desear a nota eso el datos son requerido a ser en a regular red,
pero si tú no tener uno, FDE voluntad crear uno para tú.
Nosotros tener a reducir opción
eso tú poder usar si tú desear alguno más fino control encima este,
pero por por defecto,
nosotros son yendo a mirar en el más largo función,
elegir eso como nuestro número de red agujas,
y crear a regular red de eso para tú.
Pero el lindo cosa acerca de el S Filtro Avitzky-Golay
es porque de el construcción con estos polinomios,
nosotros tener fácil acceso a el primero o segundo derivado.
Incluso si tú no tener espectral datos y tú desear a acceder a funciones derivadas
este voluntad ser su camino a hacer eso.
Y si tú hacer pedido, decir, el segundo derivado,
nuestro buscar obtiene constreñido a solo polinomios
que nos permitirá dar tú a segundo derivado, para ejemplo.
Pero este quería ser el forma a acceder a eso,
incluso si tú no eran incluso preocupado acerca de suavizado.
Tú poder ahora conseguir a derivados.
El último preprocesamiento herramienta Enfermo cubrir es Base Corrección.
Entonces en Base Corrección,
tú son preocupado acerca de teniendo alguno característica de su datos
eso tú quería justo considerar a base eso tú desear a eliminar
antes tú modelo su datos.
Entonces el idea aquí es nosotros desear a adaptar a base modelo.
Nosotros tener lineal, cuadrático, opciones exponenciales para ti,
entonces nosotros desear a adaptar este a nuestro datos y entonces sustraer él apagado.
Pero nosotros saber allá son importante características,
típicamente estos picos,
entonces nosotros desear a no usar aquellos regiones de el datos
cuando nosotros de hecho adaptar estos base modelos.
Entonces nosotros tener el opción aquí para corrección región.
I pensar para el mayoría parte tú quería probable usar completo función.
Entonces qué este justo medio es, qué parte son nosotros yendo a sustraer ¿apagado?
Entonces si tú seleccionar dentro regiones
solo cosas dentro estos azul pauta son yendo a ser restado.
Pero Yo tengo ya agregado cuatro aquí.
Cada tiempo tú hacer clic agregar en regiones de referencia,
estás yendo a conseguir a par de estos azul pauta y tú poder arrastrar ellos alrededor
a el importante regiones de su datos, y qué este voluntad hacer es,
cuando tú intentar a adaptar, decir, a lineal base modelo,
es yendo a ignorar el datos agujas eso son dentro estos dos azul pauta.
Entonces, función uno, nosotros colocar a lineal modelo,
pero nosotros excluir todo estos afilado picos eso nosotros en realidad desear,
eso eran interesado en.
Y entonces entonces nosotros llevar el resultado de este modelo lineal
y sustraer él apagado de el entero función.
El alternativa a eso es un Ancla Punto,
y eso es si tú decir, I en realidad quería como
para este punto específico a ser incluido en el base modelo.
Generalmente este es si tú tener menor datos
y tú saber, bueno, I desear estos pocos agujas.
Estos son llave. Estos representar el base.
Si I eran capaz a encaja, ya sabes, decir una modelo cuadrático para estos puntos,
eso es qué I desear a sustraer apagado.
Entonces es un alternativa.
Cuando tú hacer clic aquellos, ellos lo harán espectáculo arriba como rojo como un alternativa a este azul.
Pero este voluntad permitir tú a correcto sus datos
eliminar el base antes proceder.
Entonces eso obtiene a nosotros a cómo nosotros modelo espectral datos ahora en JMP Pro 17,
y eran usando ondículas.
El lindo cosa acerca de ondículas es nosotros tener a variedad de opciones a elegir de.
Entonces estos gráficos representar qué son llamado madre ondículas
y ellos son usado a construir
el base eso nosotros usar, eso modelos el datos.
Entonces el más simple es este cabello ondícula, cual es en realidad justo paso funciones,
tal vez duro a ver eso aquí, pero estos son justo paso funciones.
Pero este biortogonal, él tiene a lote de pequeño saltos
y tú poder comenzar a imaginar,
bueno, I poder ver por qué estos hacer él a lote más fácil
a captura picos en mi datos
otro que el Su ondícula.
Todo estos tener parámetros eso son cambio el forma y el tamaño de estos,
entonces Yo tengo justo seleccionado a pareja aquí a justo espectáculo tú el diferencias.
Pero tú poder en realidad ver dónde,
bueno, si I poner a lote de estos juntos,
I poder entender por qué este es
probablemente a lote mejor a modelo todo estos picos de mi datos.
Y así es aquí un ejemplo a ilustrar eso
con uno de nuestro nuevo muestra datos,
una RMN diseño de experimentos.
Entonces este es justo de uno función dónde Vamos comenzar con B-Splines.
Este es clasificar de el ir a para mayoría datos lugar a comenzar en FDE.
Pero nosotros poder ver eso es en realidad teniendo a duro tiempo
cosecha arriba en estos picos.
Ahora, hay, nosotros tener proporcionó tú herramientas
a cambiar dónde Los nudos están en en estos línea de bestias modelos.
Entonces tú podría hacer alguno personalización.
Probablemente adaptar este a lote mejor que el por defecto.
Pero el idea es eso ahora Tú tienes tenía a ir y mover cosas alrededor
y tal vez él obras para alguno funciones, pero no otros,
y tú necesidad a más automatizado forma.
Entonces eso es uno alternativa a eso es P-Sp pauta.
Eso es haciendo eso a pequeño poco para tú,
pero es aún no bastante capturando el picos tal vez como Bueno como ondículas.
Es probablemente haciendo el mejor para estos datos.
relativo a ondículas y casi a modelo -gratis acercarse
dónde nosotros modelo el datos justo directamente en nuestro forma componentes,
este directo funcional PCA.
Es tal vez a puente entre P-Splines y B-Splines
dónde es no bastante como bien como P -Splines pero es mejor que B -Splines
pero este es justo a rápido ejemplo a destacar
cómo ondículas poder en realidad ser a lote más rápido y poderoso.
Qué son nosotros haciendo en ¿FDE?
Nosotros construir a variedad de tipos de ondículas
y su asociado parámetros y adaptar a ellos para tú.
Entonces similar a el S Filtro avitzky-Golay,
nosotros hacer requerir eso el datos son en a regular red.
Y bien noticias, Bueno crear uno para tú.
Pero de curso tú poder ir a reducir el control eso si tú quería como.
Pero ahora el lindo cosa acerca de una vez Los datos son en el red,
nosotros poder usar a transformación eso es súper rápido.
Entonces P -Splines quería también, para estos datos,
ser qué tú quería en realidad desear a tener a usar,
pero puede tardar mucho tiempo en ajustarse,
especialmente si tú tener a lote de funciones
y tú tener a lote de datos agujas por función.
Pero nuestro ondícula modelos son yendo a esencialmente último
entonces todo de el diferente base funciones
eso construir este particular ondícula tipo con parámetro
y qué eso es yendo a permitir a nosotros a hacer es justo en realidad fuerza
a lote de aquellos coeficientes eso no en realidad significar cualquier cosa a cero
a ayuda crear a escaso representación para el modelo.
Entonces aquellos cinco diferente ondícula tipos eso I presentado antes,
aquellos son disponible, y una vez nosotros adaptar a ellos todo,
eran yendo a construir modelo selección criterios
y elegir el mejor para tú por por defecto.
Tú poder hacer clic a través de estos como opciones a ver otro encaja.
Y a lote de veces estos primero pocos son yendo a mirar muy similar
y es en realidad justo a asunto de,
allá son cierto aplicaciones dónde ellos saber,
"Está bien, yo en realidad desear este tipo wavelet,"
entonces ellos lo harán elegir el mejor uno de eso tipo en el Fin de uso.
Entonces el lindo cosa acerca de estos modelos es ellos suceder en a resolución.
Ellos son modelado diferente resoluciones de el datos.
Entonces nosotros tener estos coeficiente parcelas dónde en el arriba ellos son demostración
baja frecuencia, más grande escala tendencias, como un en general significar,
y como tú ir abajo en el...
O I adivinar tú ir arriba en el resoluciones,
pero abajo en el trama,
estás yendo a mirar en alto -frecuencia elementos,
y estos son yendo a ser cosas eso son acontecimiento en muy corto balanza,
entonces tú poder ver dónde es cosecha arriba a lote de diferente características.
En este caso, esta tomando...
A lote de estos son cero para el más alto resoluciones.
Entonces es cosecha arriba alguno balanza eso son en el muy fin de este función.
Es cosecha arriba alguno de estos diferencias aquí.
Pero este da tú a sentido de amable de dónde cosas son sucediendo en
ambos ubicación y entonces es eso alta frecuencia o baja frecuencia
regiones de el datos.
Entonces el último cosa nosotros tenemos agregado a completo el ondícula modelos
eso es a pequeño poco diferente de qué nosotros tener ahora es llamado Ondículas GAMA.
Entonces si Tú tienes usado FDE antes,
Tú tienes probable intentó funcional diseño de experimentos
y eso es yendo a permitir tú a llevar funcional principio puntuaciones de los componentes,
conectar diseño de experiencia factores a el forma de su funciones.
Pero ahora, ondícula modelos en particular,
ellos son coeficientes, porque ellos hacer representar resoluciones y ubicaciones,
estos poder ser más interpretable y ellos tener más directo impacto
a comprensión qué acontecimiento en el datos,
eso puede ser a funcional principio componente
no es como fácil a conectar con.
Nosotros tener este energía función y es estandarizado a espectáculo tú,
"Bueno, este resolución en 3.5,"
justo representando más en este fin punto.
Eso va a tener...
Eso es dónde el mayoría diferencias son en todo de nuestro funciones,
y es representando acerca de 12%.
Entonces tú poder voluta abajo.
Nosotros ir arriba a dónde nosotros conseguir 90% de este energía,
cual es justo el al cuadrado coeficiente valores
eso nosotros justo estandarizado aquí.
Pero energía es justo cómo grande ¿Son estos coeficientes?
relativo a todo ¿demás?
Pero este, similar a Funcional GAMA,
tú poder cambiar el factores, ver cómo el forma cambios,
y nosotros tener casos dónde ambos Ondículas GAMA
y Funcional GAMA trabajar bien
A veces Wavelets DOE justo conseguir el estructura mejor.
No permitir para alguno tal vez negativo agujas
eso Funcional GAMA podría permitir en este ejemplo.
Entonces es justo ellos son ambos allá, ellos son ambos rápido.
Quiero decir, tú poder usar ambos de a ellos a intentar a analizar el resultados de ondícula modelos.
Pero eso es mi rápido descripción general.
Entonces ahora I justo desear a doblar él encima a Arcilla a espectáculo tú alguno ejemplos
del uso de wavelets modelos con alguno ejemplo datos conjuntos.
Gracias, Ryan.
Entonces, como Ryan presentado más temprano, nosotros encontró un ejemplo
dónde amigos eran intentando a usar quimiometría métodos
a clasificar diferente verdura aceites.
Entonces Yo tengo consiguió el datos colocar abierto arriba aquí.
Aquí nosotros tener nuestro cada fila de el datos colocar es a función,
entonces cada fila en el datos colocar representa a particular aceite,
y como nosotros ir al otro lado de el mesa, eso es el cromatograma.
Entonces Yo tengo abierto este arriba en FDE justo a ahorrar a pocos minutos.
El ondícula adecuado es en realidad rápido,
pero I figurado casarse justo ir adelante y comenzar con el adaptar abierto.
Entonces Aquí está qué nuestro datos colocar aspecto como.
Tú poder ver aquellos rojo curvas son aceituna aceites.
El verde curvas son no aceituna aceites.
Entonces nosotros poder ver Hay definitivamente alguno diferencias
entre el dos diferente tipos de aceites y su cromatogramas.
Entonces, como Ryan dicho, nosotros justo ir a el menú del triángulo rojo
y nosotros preguntar para ondículas y él voluntad elegir el mejor ondícula para tú.
Pero como I dicho, Yo tengo ya hecho eso,
entonces nosotros poder voluta abajo y mirar en el adaptar.
Aquí nosotros ver el mejor ondícula eso nosotros encontró era llamado el Symlet 20,
y nosotros tenemos consiguió gráficos de cada adaptar aquí resumido para tú.
Como tú poder ver, el ondículas tener adaptar estos datos en realidad Bueno.
Pero en este caso,
eran no terriblemente interesado en adecuado el individual encaja.
Nosotros desear a ver si nosotros poder usar estos individual cromatogramas
a predecir si o no un aceite es un aceituna aceite o no un aceituna aceite.
Entonces qué nosotros poder hacer es,
nosotros poder ahorrar afuera estos ondícula coeficientes,
cual nosotros tenemos conseguido a grande mesa aquí, y Hay miles de a ellos.
En hecho, Hay uno para cada punto en nuestro función.
entonces aquí nosotros tenemos consiguió 4.000 agujas en cada función.
Este mesa es bonito enorme. Hay 4.000 ondícula coeficientes.
Pero como Ryan era dicho, tú poder ver eso nosotros tenemos puesto a cero alguno de a ellos afuera.
Entonces estos ondícula coeficientes gota afuera de el función.
Entonces eso es cómo nosotros conseguir suavizado.
Nosotros adaptar nuestro datos en realidad Bueno,
pero puesta a cero afuera alguno de aquellos coeficientes es qué suaviza el función fuera.
Entonces cómo poder nosotros usar estos valores a predecir si o no nosotros tener un aceituna ¿aceite?
Bien, tú poder venir aquí a el función resúmenes y preguntar para ahorrar resúmenes.
Entonces qué es hecho es él ahorra afuera el funcional principal componentes.
Pero aquí en el fin de el mesa, él también ahorra afuera estos ondícula coeficientes.
Entonces estos son el exacto mismo valores
que vimos en eso ondícula coeficiente mesa en el plataforma.
Entonces dejar a mí cerca este uno.
Yo tengo consiguió mi propio en cola arriba justo entonces eso I no tener cualquier cosa inesperado suceder.
Entonces Aquí está mi versión de eso mesa.
Y qué nosotros desear a hacer es nosotros desear a usar
todo de estos ondícula coeficientes a predecir si
el curva es de un aceituna aceite o de a diferente tipo de aceite.
Entonces qué Soy yendo a hacer es,
Soy yendo a lanzamiento el generalizado regresión plataforma,
y si Tú tienes alguna vez usado eso antes,
es el lugar nosotros ir a construir lineal modelos y generalizar lineal modelos
usando un variedad de diferente variable selección técnicas.
Entonces aquí mi respuesta es tipo.
I desear a predecir qué tipo de aceite estamos mirando
y I desear a predecir él usando todo de aquellos ondícula coeficientes.
Entonces I prensa correr.
En este caso, Soy yendo a usar el Red elástica
porque eso sucede a ser mi favorito variable selección método.
Y Soy yendo a prensa ir.
Entonces en realidad rápidamente, nosotros tomó todo aquellos ondícula coeficientes
y nosotros tener encontró el unos eso en realidad hacer a bien trabajo de diferenciando
entre aceituna aceites y no -aceituna aceites.
Entonces en hecho, si nosotros mirar en el confusión matriz,
cual es, este es a forma a mirar en cómo a menudo nosotros predecir adecuadamente, ¿bien?
Entonces para todo 49 otro aceituna aceites,
nosotros correctamente identificado aquellos como no aceituna aceites.
Y para todo 71 aceituna aceites, nosotros correctamente identificado aquellos como aceituna aceites.
Entonces nosotros de hecho previsto estos perfectamente
y nosotros solo necesario a bonito pequeño subconjunto de aquellos ondícula coeficientes.
Entonces I no contar, pero eso aspecto como acerca de a docena.
Entonces nosotros comenzó con miles de ondícula coeficientes y nosotros hervido él abajo
solo a la 12 o entonces eso eran útil para predecir nuestro respuesta.
Entonces qué I pensar es en realidad Frío es,
nosotros poder interpretar estos ondícula coeficientes a un medida, ¿bien?
Entonces este coeficiente aquí es resolución dos en ubicación 3001.
Entonces eso dice a nosotros Hay algo yendo en en eso parte de el curva
Eso nos ayuda a diferenciar entre aceituna aceites y no aceituna aceites.
Entonces qué Yo tengo hecho es,
Yo tengo también creado a gráfico de nuestro datos usando...
Bien, tú lo harás ver.
Entonces qué Yo tengo hecho es aquí el azul curva es el aceituna aceites.
El rojo curva es el no -aceituna aceites,
y este es el significar cromatograma.
Entonces promediando encima todo de nuestro muestras.
Y estos discontinua pauta son el ubicaciones
dónde el ondícula coeficientes son distinto de cero.
Entonces estos son el unos eso son útil para discriminante entre aceites.
Y como tú poder ver, alguno de estos distinto de cero coeficientes línea arriba con picos
y el datos eso en realidad tender a hacer sentido, ¿bien?
Así que, aquí está,
Aquí está uno de el no -cero coeficientes, y tú poder decir es bien en a cima
dónde aceituna aceite es alcanzando su punto máximo, pero sin oliva aceites son no, ¿bien?
Entonces eso puede ser significativo a alguien
eso estudios cromatografía y aceituna aceites en particular.
Pero entonces nosotros como este ejemplo porque
es a en realidad bien ejemplo de cómo ondículas adaptar estos cromatogramas en realidad Bueno.
Y entonces nosotros poder usar el ondícula coeficientes a hacer algo demás, ¿bien?
Entonces no solo tener nosotros adaptar el curvas muy bien,
pero entonces nosotros tenemos tomado el información de aquellos curvas
y nosotros tenemos hecho a en realidad bien trabajo de discriminante entre diferente aceites.
Y entonces Yo tengo consiguió uno más ejemplo.
Ryan y I son ambos grande fans de Disney Mundo,
entonces este es no a cromatograma.
Este es no espectroscopia.
Pero en cambio nosotros encontró a datos colocar eso aspecto en esperar veces en Disney Mundo,
entonces nosotros descargado a subconjunto de esperar veces
para a conducir llamado Disney el Siete Enanos, Mente Tren.
Y si Tú tienes alguna vez estado a Disney Mundo,
tú saber es a en realidad Frío rodillo barco de cabotaje bien allá en tierra de fantasía.
Pero él también tiende a tener en realidad largo esperar tiempos, ¿verdad?
Tú gastar a lote de tiempo espera su doblar.
Entonces nosotros buscado a ver si nosotros podría usar ondículas a analizar estos datos
y luego usar el Ondícula GAMA función a ver si nosotros poder cifra afuera
si Hay días de el semanas o meses o años
dónde esperar veces son particularmente alto o bajo.
Entonces nosotros poder lanzamiento FDE.
Aquí tienes poder Mira, tenemos
cada día en nuestro datos colocar, nosotros tener el esperar veces
desde el momento en que el parque abre, aquí,
a el tiempo eso el parque cierra encima aquí.
Y a hacer este manifestación a pequeño poco más fácil,
nosotros tenemos refinado el datos colocar a limpio él arriba alguno.
Entonces este es no exactamente el datos,
pero I pensar alguno de el tendencias eso eran yendo a ver son aún verdadero.
Entonces qué Soy yendo a hacer es Soy yendo a preguntar para ondículas,
y lo hará llevar a segundo a correr, pero no también largo.
Entonces ahora nosotros tenemos encontró eso a diferente base función es el mejor.
Es Los Daubechies 20
y I disculparse si I no pronunciar eso bien.
Yo tengo estado evitando pronunciamiento eso palabra en público,
pero ahora eso es no el caso ya no.
Entonces nosotros tenemos encontró eso es nuestro favorito ondícula y qué eran yendo a hacer
es eran yendo a ir a el Ondícula GAMA análisis,
y es yendo a usar estos suplementario variables
eso nosotros tenemos especificado día de el semana, año y mes
a ver si podemos encontrar tendencias en nuestro curvas usando aquellos variables.
Entonces Bueno preguntar para Ondículas GAMA,
y que es acontecimiento en el fondo es eran modelado aquellos ondícula coeficientes
usando el generalizado regresión plataforma, entonces eso es acontecimiento detrás el escenas,
y entonces él voluntad poner él todo juntos en a Perfilador para a nosotros.
Entonces aquí nosotros tenemos tengo, ya sabes, este es nuestro tiempo de día variable.
Nosotros poder ver eso en el mañana.
El esperar veces clasificar de comenzar, Ya sabes, alrededor un hora.
Él obtiene más extenso a lo largo de el día, sabes,
pico en acerca de 80 minutos, casi un hora y a medio esperar.
Y entonces, como tú quería esperar,
como el día va en y niños conseguir cansado y ir a cama,
esperar veces conseguir a pequeño poco más corto hasta el fin de el día.
Ahora, qué nosotros pensamiento era interesante
está mirando en alguno de estos efectos, como año y mes.
Entonces nosotros poder ver en 2015, el esperar veces clasificar de gradualmente fue arriba, bien, hasta 2020.
Y entonces qué sucedió en ¿2020? Ellos aumentó en Febrero,
Y luego, sorprendentemente, ellos abandonó bastante a poco en Marzo y Abril.
Y I pensar nosotros todo saber por qué eso podría tener sucedió en 2020.
Porque de COVID-19, menos gente eran yendo a Disney Mundo.
En hecho, él era cerrar abajo para a mientras.
Entonces tú poder muy claramente ver a COVID-19 efecto en Disney Mundo esperar veces
en realidad rápidamente usando Ondícula GAMA.
Uno de el otro cosas eso es interesante
es nosotros poder mirar en qué tiempo de año es mejor a ir.
Él aspecto como esperar veces tender a ser más bajo en Septiembre,
y desde Disney Mundo es en Florida, ya sabes,
eso es cima huracán estación, y niños no tender a ser afuera de escuela.
Entonces es en realidad Frío a ver eso nuestro modelo escogido eso arriba bonito Fácilmente, ¿verdad?
Entonces, pero no comenzar yendo a Disney Mundo en Septiembre.
Eso es nuestro tiempo. Nosotros no desear él conseguir atestado.
Pero sí, entonces con justo a pocos clics, nosotros eran capaz
a aprender bastante a pocos cosas acerca de esperar veces,
Siete Enanos Mío Tren en Disney.
Pero nosotros en realidad buscado a destacar
que estos métodos eran centrado en cromatografía y espectrometría,
pero Hay a lote de aplicaciones dónde tú poder usar Ondículas,
y I pensar eso es todo nosotros tener.
Entonces agradecer tú. Y gracias tú, Ryan.
