Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Visualización de datos
Sebastián Rodríguez Ortiz
Septiembre, 2018
L1 L2
3,5 2,5
4,8 3,8
4 4,1
5 2,5
5,1 2,4
Definiendo visualización de datos
¿Por qué usar una representación externa?
• Reemplazar Cognición con percepción
– Ejemplo 2
0 0 5 13 9 1 0 0
0 0 13 15 10 15 5 0
0 3 15 2 0 11 8 0
0 4 12 0 0 8 8 0
0 5 8 0 0 9 8 0
0 4 11 0 1 12 7 0
0 2 14 5 10 12 0 0
0 0 6 13 10 0 0 0
[A.Barsky,T.Munzner,J.GardyandR.Kincaid,"Cerebral:VisualizingMultipleExperimentalConditionsonaGraphwithBiologicalContext,"in IEEETransactionsonVisualizationandComputerGraphics,vol.14,no.6,pp.
1253-1260,Nov.-Dec.2008.
doi:10.1109/TVCG.2008.117]
Definiendo visualización de datos
Definición
• Según Tamara Muzner:
“Los sistemas de visualización proveen representaciones visuales de set de
datos, las cuales están diseñadas para que personas puedan llevar a cabo
tareas más eficientemente.”
Definiendo visualización de datos
¿Por qué tener un sistema/computador en el loop?
• Ir más allá de la paciencia humana:
Definiendo visualización de datos
¿Por qué tener un sistema/computador en el loop?
• Ir más allá de la paciencia humana:
– Escalar a datasets de mayor tamaño
– Soportar Interactividad
• Diagramas dibujados a mano:
– Sirven para obtener los elementos
importantes
Definiendo visualización de datos
Ejemplo práctico de la paciencia humana
• Londres, barrio de Soho en 1854:
– Epidemia de cólera
– Teoría de transmisión:
• Miasma
Definiendo visualización de datos
Ejemplo práctico de la paciencia humana
• John Snow (1813 - 1858):
– Médico inglés
– Líder en la adopción de la anestesia
– Uno de los padres de la Epidemiología moderna
– Escéptico de la teoría del miasma
Definiendo visualización de datos
Ejemplo práctico de la paciencia humana
• Él realizo una recolección de datos a través de distintas calles
Definiendo visualización de datos
Ejemplo práctico de la paciencia humana
Definiendo visualización de datos
Ejemplo práctico de la paciencia humana
• Descubrimientos:
Definiendo visualización de datos
Definición
• Según Tamara Muzner:
“Los sistemas de visualización proveen representaciones visuales de set de
datos, las cuales están diseñadas para que personas puedan llevar a cabo
tareas más eficientemente.”
Definiendo visualización de datos
¿Por qué depender de la visión?
• Visión: es un canal de alto ancho de banda hacia al cerebro
– Visión general es posible al procesamiento en segundo plano
• Experiencias subjetivas al ver todo simultáneamente
• Procesamiento significativo ocurre en paralelo y pre-atención
• Sonido: tiene menor ancho de banda y tiene una diferente semántica
– Experiencia subjetiva no permitiendo una visión general
• Tacto: bajo ancho de banda
– Reproducción y grabación reducidas
– [S. Brewster (2002) Visualization tools for blind people using multiple modalities, Disability and Rehabilitation,
24:11-12, 613-621, DOI: 10.1080/09638280110111388]
• Sabor/Olor: No hay métodos de reproducción y grabación
Definiendo visualización de datos
Definición
• Según Tamara Muzner:
“Los sistemas de visualización proveen representaciones visuales de set de
datos, las cuales están diseñadas para que personas puedan llevar a cabo
tareas más eficientemente.”
Definiendo visualización de datos
¿Por qué mostrar los datos en detalle?
• Resumir implica perdida de información
• Confirmar patrones esperados y patrones inesperados
Definiendo visualización de datos
Definición
• Según Tamara Muzner:
“Los sistemas de visualización proveen representaciones visuales de set de
datos, las cuales están diseñadas para que personas puedan llevar a cabo
tareas más eficientemente.”
Definiendo visualización de datos
Espacio de diseño: idioma
• El espacio de diseño de los posibles idiomas de visualización es enorme. Esto incluye
consideraciones de cómo crear y como interactuar con las representaciones visuales.
• Idioma: enfoque distintivo de cómo crear o manipular la representación visual
– Como dibujarlo: Idioma de codificación visual *
• Muchas posibilidades de como crear
• Dirección
Framework: “What – Why – How”
¿ Cómo se muestra?
• El cómo tiene que ver con:
– Idioma de codificación Visual
– Idioma de codificación de interacción
• Manipulación
• Interacciones de aspecto
Framework: “What – Why – How”
Framework: “What – Why – How”
Ejercicio: Comparar Idiomas
• Hacer una comparación con el framework “What – Why – How”
– SpaceTree:
– TreeJuxtaposer
Framework: “What – Why – How”
Ejercicio: Comparar Idiomas
Framework: “What – Why – How”
Lectura adicional
• Visualization Analysis and Design. Munzner. AK Peters / CRC Press, Oct 2014.
– Chap 2: What: Data Abstraction
– Chap 3: Why: Task Abstraction
• A Multi-Level Typology of Abstract Visualization Tasks. Brehmer and Munzner. IEEE Trans.
Visualization and Computer Graphics (Proc. InfoVis) 19:12 (2013), 2376–2385.
• Low-Level Components of Analytic Activity in Information Visualization. Amar, Eagan, and
Stasko. Proc. IEEE InfoVis 2005, p 111–117.
• A taxonomy of tools that support the fluent and flexible use of visualizations. Heer and
Shneiderman. Communications of the ACM 55:4 (2012), 45–54.
• Rethinking Visualization: A High-Level Taxonomy. Tory and Möller. Proc. IEEE InfoVis
2004, p 151–158.
• Visualization of Time-Oriented Data. Aigner, Miksch, Schumann, and Tominski.
Springer, 2011.
Marcas y Canales
Marcas y Canales
Codificación visual
• Analisis de la estructura del idioma
Marcas y Canales
Definiciones: Marcas y Canales
• Marcas:
– Primitivos geométricos
• Canales
– Controlan las aparencias de las marcas
– Pueden codificar en multiples canales redundantemente
• Interacciones entre marcas y canales
– Puntos solo muestran posiciones; no restricciones de
área
• Pueden ser codificados con tamaño y color
– Lineas muestran posición y tamaño
• Pueden solo ser codificados en 1 dimensión
– Areas tienen restricciones
• No pueden ser codfificados con tamaños o figuras
Marcas y Canales
Codificación visual
• Analisis de la estructura del idioma
– Combinación de marcas y canales
Marcas y Canales
Canales: Expresividad y Efectividad
Marcas y Canales
Principio de efectividad y expresividad
• Efectividad
– Codificar los atributos mas importantes con los mejores canales
• Expresividad
– Hacer match entre características de canales y datos
• Rankings: Donde salen
– Exactitud
– Discriminabilidad
– Separación
– Popout
Marcas y Canales
Exactitud
• Relación empírica en Psicofisica
– Mide el incremento o fuerza entre:
• Estimulo físico
• Magnitud percibidad
– Percibe el incremento en la sensación
Marcas y Canales
Discriminabilidad
• Líneas: solo un poco
Marcas y Canales
Separabilidad vs Integralidad
Marcas y Canales
Popout
• Ejemplo: Encontrar el punto rojo
Marcas y Canales
Popout
• Procesamiento en paralelo en muchos canales individuales
– Velocidad es independiente de la cantidad de distracciones
– Velocidad es dependiente de los canales y en la cantidad de distractores
diferentes
• Búsqueda serial
– La velocidad depende de la cantidad de distractores
Marcas y Canales
Popout
• Ejemplos:
Marcas y Canales
Agrupación
• Marcas como un enlace:
– Conexión
– Contención
• Proximidad
– En la misma región espacial
• Similaridad
– Mismos valores que otros
valores categoricos
Marcas y Canales
Juicios relativos vs absolutos
• Sistema de percepción humano opera en juicios relativos
– Exactitud incrementa con una escala en común / Alineamiento
– Ley de weber: Proporción del incremento del fondo es constante
Marcas y Canales
Juicios relativos vs absolutos
Marcas y Canales
Lectura adicional
• Visualization Analysis and Design. Munzner. AK Peters / CRC Press, Oct 2014.
– Chap 5: Marks and Channels
• On the Theory of Scales of Measurement. Stevens. Science 103:2684 (1946), 677–680.
• Psychophysics: Introduction to its Perceptual, Neural, and Social Prospects.
Stevens. Wiley, 1975.
• Graphical Perception: Theory, Experimentation, and Application to the Development of
Graphical Methods. Cleveland and McGill. Journ. American Statistical Association
79:387 (1984), 531–554.
• Perception in Vision. Healey. http://www.csc.ncsu.edu/faculty/healey/PP
• Visual Thinking for Design. Ware. Morgan Kaufmann, 2008.
• Information Visualization: Perception for Design, 3rd edition. Ware. Morgan
Kaufmann /Academic Press, 2004.
Diplomado en Big Data y Data Science
Visualización de datos
Sebastián Rodríguez Ortiz
Septiembre, 2017