Ўзбекистон республикаси ахборот технологиялари ва коммуникацияларини ривожлантириш вазирлиги муҳаммад ал-хоразмий номидаги

VISUALIZATION OF EXPERIMENTAL DATA, PRESENTED IN THE 
FORM OF NUMERICAL TABLES 
S.M.Maxanov (master's student, TUIT named after Muhammad al-Khorezmi) 
The scope and possibilities of numerical experiments grow with the 
development of computer technology. The complexity and variety of tasks to be 
solved are increasing. The huge amount of information obtained during the 
experiment requires adequate ways of presenting it. Instead of arrays of numerical 
data and simple graphs, visual images are increasingly used to facilitate a full and 
timely understanding of the results obtained. Data visualization is a challenge that 
any researcher faces in his work. The problem of visualizing data is reduced to the 
problem of visualizing experimental data or the results of theoretical research. The 
traditional tools in this area are graphs and charts. The success of visualization 
directly depends on the correctness of its application, namely, on the choice of the 
type of chart, its correct use, and design. 
Graph 1. 60% of visualization success depends on the choice of the type of graph, 30% on its 
correct use, and 10% on its correct design 

---

73 
The goals of visualization are the implementation of the main idea of 
information, this is what you need to show the selected data, what effect you need to 
achieve - identifying relationships in information, displaying the distribution of data, 
composition, or comparison of data. 
Relationships in data are how they depend on each other, the relationship 
between them. Using relationships, you can identify the presence or absence of 
dependencies between variables. If the main idea of the information contains the 
phrases "refers to", "decreases/increases with", then you need to strive to show 
exactly the relationship in the data.
The distribution of data is how it is located in relation to something, how many 
objects fall into certain sequential areas of numerical values. The main idea, in this 
case, will contain phrases "in the range from x to y", "concentration", "frequency", 
"distribution". 
Graph 2. The first row shows graphs with the goals of showing relationships on the data and the 
distribution of the data, and the second row shows the goals of showing composition and comparing 
data 
Data composition combining data in order to analyze the big picture as a whole, 
compare the components that make up a percentage of a whole. Key phrases for the 
composition are "accounted for x%", "share", "percent of the whole". Comparison of 
data combining data in order to compare some indicators, revealing how objects 
relate to each other. It is also a comparison of components that change over time. Key 
phrases for an idea when comparing are "more / less than", "equal", "changes", "up / 
down". 
After determining the purpose of the visualization, you need to determine the 
data type. They can be very heterogeneous in their type and structure, but in the 
simplest case, they distinguish continuous numerical and temporal data, discrete data, 
geographic and logical data. Continuous numerical data contains information about 
the dependence of one numerical value on another, for example, graphs of functions 
such as y = 2x. Continuous-time frames contain data on events occurring over a 
certain period of time, like a graph of the temperature measured every day. Discrete 
data may contain dependencies of categorical values, for example, a graph of the 
number of sales of goods in different stores. Geographic data contains various 

---

74 
information related to location, geology, and other geographic indicators, a prime 
example is an ordinary geographic map. Boolean data shows the logical arrangement 
of components in relation to each other, such as a family tree. 
Depending on the purpose and data, you can choose the most suitable schedule 
for them. It is best to avoid variety for the sake of variety and choose the simpler the 
better. 
Graph 3. Graphs of continuous numeric and temporal data, discrete data, geographic and logical 
data 
Only for specific data, use specific types of charts, in other cases, the most 
common charts are well suited: 

linear (line) 

with areas 

columns and histograms (bar) 

pie chart (pie, donut) 

polar graph (radar) 

scatter, bubble 

maps 

trees (tree, mental map, tree map) 

time diagrams (time line, gantt, waterfall). 
In medical and psychological research, experimental results are often presented in 
the form of numerical tables. Methods for visualizing this kind of information are 
based, as a rule, on the transition from a multidimensional to a two-dimensional 
coordinate system (method of principal components, methods of structural ordering). 
Consider the algorithm for forming the coordinates of objects in the initial ordering 
method. 
To estimate the mismatch of structures in R
L
and R
2
, the matrix D
N
(X)=[d
nk
]1,1
N
,1
N
of mutual distances d
nk
between the elements X
n
and X
k
from the sample X is 
calculated: 
The n-th row of such a matrix contains the distances from some nth element X
n
to all other (N – 1) elements of the set {X
n
}
1
N
, and the kth column of the matrix is 
formed by the distances from all elements of the set {X
n
}
1
N
to some k th element. 

---

75 
Any n-th row of the matrix D
N
(X) can be considered as the result of ordering the 
elements {X
n
}
1
N
relative to the n-th element X
n
by mapping this set to the numeric 
axis of real numbers R
n
+
. By setting the position of the n-th element on the R
n
+
axis 
and taking it as the origin (point Y
n
, the coordinate of which on the R
n
+
axis is equal 
to zero), we can arrange the images {Y
n
}
1
N
of the X sample on the R
n
+
axis relative to 
the n-th element, using as a measure ordering distance from element X
n
to all other 
(N – 1) elements. 
From the point Y
n
R
n
+
(the origin in R
n
+
), we construct another numerical axis 
R
k
+
perpendicular to the R
n
+
axis, in this case, the k-th element of the X sample is 
located at the intersection of the R
n
+
and R
k
+
axes, and on the R
k
+
axis we map the set 
{X
n
}
1
N
, similarly to as was done for the R
n
+
axis. The coordinates of the elements 
{Y
n
}
1
N
on the R
k
+
axis are the distances from the k-th element to all other (N – 1) 
elements and make it possible to judge about the groupability of the vectors {X
n
}
1
N
around the vector X
k
. These two axes R
n
+
and R
k
+
define some pseudo-plane (R
+
)
2
. 
Thus, choosing any two rows (or two columns) of the matrix D
N
(X), we can 
form new pseudo spaces (R
+
)
2
images {Y
n
}
1
N
of the set {X
n
}
1
N
. The collection of 
images {Y
n
}
1
N
obtained by projecting the set {X
n
}
1
N
into (R
+
)
2
is used as an initial 
approximation for the iterative procedure. 
This approach was used to visualize experimental data in the information system 
for assessing and monitoring the psychophysiological state of pregnant women. 
The effectiveness of the method depends on a “good” choice of rows of the 
matrix D
N
(X), which should not be completely random. The choice of elements X
n
and X
k
close in R
L
as the centers of ordering of the remaining (N – 1) elements on the 
axes R
n
+
and R
k
+
is irrational, since it does not give essentially new information about 
the ordering of the sample X, therefore, it is necessary to choose elements of X that 
are relatively distant from each other. friend. In this regard, we have chosen the 
"reference" object and the object with the worst parameters as the centers of ordering 
(Fig. 1). 
Fig. 1. Display of the psychophysiological state of various groups of pregnant women in space (R
+
)
2
The results of experimental studies make it possible to confidently assert that 
visualization is one of the most promising directions for increasing the efficiency of 
methods for analyzing and presenting the information. 
Bibliography
1. Современные методы представления и обработки биомедицинской информации / под ред. 
Ю.В. Кистенева, Я.С. Пеккера. – Томск: Изд-во ТПУ, 2004. – 336 с. 

---

76 
2. Горохов В.Л., Лукьянец А.А., Чернов А.Г. Современные методы когнитивной 
визуализации многомерных данных – Томск: Некоммерческий фонд развития региональной 
энергетики, 2007. – 216 с. 
3. Дюк В.А., Эммануэль В. Информационные технологии в медико-биологических 
исследованиях. – СПб.: Питер, 2003. – 528 с. 
4. Попечителев Е.П., Старцева О.Н. Аналитические исследования в медицине, биологии и 
экологии – М.: Высшая школа, 2003. – 279 с. 
5. Берестнева О.Г., Добрянская Р.Г., Муратова Е.А., Шаропин К.А. Интеллектуальная 
система выявления групп риска среди беременных женщин // Информатика и системы 
управления. – 2008. – № 2 (16). – С. 22–23. 
6. SAS,Data Visualization Techniques: From Basics to Big Data with SAS
®
Visual Analytics, 2014. 
7. https://www.zingchart.com/docs/chart-types/pie