Scarica Visualizzazione dei Dati: Grafici, Mappe e Analisi Statistica e più Schemi e mappe concettuali in PDF di Database Relazionali solo su Docsity!
L’ARTE DEL VERO - Alberto Cairo
CAP.1 COSA INTENDIAMO QUANDO PARLIAMO DI VISUALIZZAZIONE
- Visualizzazione è un termine ombrello = è qualsiasi tipo di
rappresentazione visiva dell’informazione destinata a
consentire comunicazione, analisi, scoperta ed esplorazione.
E’ un modo per esporre i dati e consentire di analizzarli → le
visualizzazioni sono concepite come strumenti che consentono al pubblico di
trarre conclusioni proprie in merito ai dati forniti.
- Un grafico è una visualizzazione in cui i dati sono codificati con simboli
che hanno forme, colori o proporzioni diversi, questi simboli sono spesso
in un sistema di coordinate cartesiane (non tutti, i grafici a torta per esempio
non si basano su un sistema di assi cartesiani)
- Una mappa è una raffigurazione di un’area geografica, o la
rappresentazione di dati relativi all’area in questione.
- Un’ ICONOGRAFICA è una rappresentazione visiva in più
parti di informazioni concepite per comunicare uno o più
messaggi → le iconografiche sono composte da un insieme di grafici,
mappe, illustrazioni e testi che forniscono spiegazione e contesto, il
progettista non mostra tutte le informazioni ma solo quelle necessarie per il
concetto.
A volte sono organizzate in senso lineare, possono essere ricche di dettagli e
possono includere disegni e icone che le rendono più gradevoli MA l’obiettivo
fondamentale è informare meglio il pubblico, chiarezza e profondità sono
essenziali mentre gli abbellimenti sono facoltativi
- Un’applicazione giornalistica è un particolare tipo di visualizzazione che
consente alle persone di correlare alle loro vite i dati presentati → il suo
obiettivo principale è essere personalizzabile in funzione dei bisogni
di ciascun osservatore → può essere un simulatore, un calcolatore o
un database visivo interattivo come “Treatment Tracker” = un
progetto che consente al consumatore di vedere i pagamenti ai
singoli medici che servono i pensionati e i disabili nel programma
Part B di Medicare; così è possibile trovare e confrontare qualsiasi
curante.
I confini che separano tutti questi tipi di visualizzazioni sono labili, alcune
visualizzazioni sono concepite per diffondere un messaggio o narrare una
storia sulla base di un sottoinsieme delle informazioni disponibili al
progettista → INFOGRAFICA. Altre sono concepite principalmente per
consentire l’esplorazione → VISUALIZZAZIONI DEI DATI
CAP. 2 LE 5 QUALITA’ DELLE GRANDI VISUALIZZAZIONI
Alcuni grafici hanno cambiato la comprensione di essi da parte del
pubblico →
IL GRAFICO A MAZZA DA HOCKEY
progettato dai professori Mann, Bradley, Hughes, ed è una delle visuliazzazioni più
emblematiche e convincenti poiché ha determinate qualità:
- E’ VERITIERO → basato su ricerche approfondite
- E’ FUNZIONALE → costituisce una raffigurazione accurata dei dati ed
è costruito in modo di permettere al lettore di vedere chiaramente il
cambiamento nel corso del tempo
- E’ BELLO → attraente, intrigante ed esteticamente piacevole
- E ‘ PROFONDO → rivela prove che sarebbe difficile vedere altrimenti
- E’ ILLUMINANTE → afferriamo e accettiamo le prove che raffigura
→ sono le 5 qualità su cui è strutturato questo libro
1. VERITIERO
Chiarezza di un grafico ≠ grafico veritiero. → esempio: grafico NCTA sui
regolamenti e gli investimenti industriali, è un grafico chiaro ma non
veritiero. problemi: mancano degli anni (1993-96 / 1999-2003), cosa è
successo tra il ‘96 e il ‘99? gli anni presi in considerazione non sono uguali
(prima barra 4 anni, seconda 5 anni) → chi nasconde dei dati
probabilmente ha qualcosa da nascondere. Ma non è detto che questo
grafico abbia mentito, i calcoli matematici sono corretti, il titolo però è
fuorviante.
Per essere veritieri bisogna usare due strategie collegate:
- EVITARE L’AUTOINGANNO → la grafica veritiera è creata da persone
che fanno del loro meglio per superare i loro limiti intellettuali e i
pregiudizi cognitivi e ideologici applicando tecniche di pensiero
critico
- ONESTA’ → essere onesti con il proprio pubblico e mostrare la
propria migliore versione e comprensione della realtà
su questioni di rilievo è molto importante, alcuni argomenti sono più importanti di
altri.
Il motto di uno degli studi di visualizzazione, Periscopic, è “ do good with data ” →
dobbiamo fare bene con i dati ma solo dopo esserci accertati che i nostri
dati siano buoni
CAP. 3 IL CONTINUO DELLA VERITA’
Qualunque visualizzazione è un modello , una visualizzazione è un modello
mentale che serve da tramite tra il progettista e il pubblico. La qualità di un
modello aumenta con la corrispondenza del modello alla realtà che rappresenta.
L’idea di modello può essere intesa a qualsiasi atto di pensiero e comunicazione,
usiamo i modelli per percezione, cognizione e ragionamento.
Un modello è un insieme di segni e delle loro relazioni, che descrivono, spiegano o
predicono qualcosa, con un grado di accuratezza variabile. E’ illusorio pensare di
poter creare dei modelli perfetti, il massimo a cui possiamo ambire sono modelli
informativi anche se incompleti.
Un modello sarà tanto migliore quanto si approssimerà a ciò che rappresenta
senza essere inutilmente complesso E quanto sarà facile per il pubblico
interpretarlo correttamente.
Alcune persone hanno fornito dei modelli visivi cattivi di proposito ma nella
maggiorparte dei casi un modello carente nasce dalla buona intenzione di un
progettista che non ha fatto troppa attenzione ai dati.
Le buone visualizzazione non dovrebbero semplificare troppo le informazioni ma
dovrebbero chiarirle. In molti casi per chiarire un argomento bisogna aumentare la
quantità di informazioni.
Perché sbagliamo così spesso?
- La mente umana rileva pattern interessanti a prescindere che siano reali o
meno. TARLO DELL’APOFENIA (patterncity) → molti pattern sono
solo il risultato di coincidenze, l’autore Shermer ha definito
patterncity la nostra tendenza a percepire pattern anche quando
non abbiamo davanti niente di significativo (es: un dado lanciato più
volte ma esce sempre lo stesso numero, iniziamo a sospettare che
ci sia qualcosa che non va nel dado → la causalità rende possibile
questo, ma è raro che la causalità ci appaia veramente casuale)
- la mente trova subito una spiegazione coerente per questi pattern: TARLO
DELLA NARRAZIONE → quando rileviamo dei pattern è naturale
cercare di trovare una spiegazione causa-effetto. Noi umani
percepiamo i pattern, ci costruiamo sopra una narrazione e
cerchiamo dei modi per giustificare la razionalità della narrazione;
vediamo un unico evento e lo trasformiamo in una regola generale
= generalizziamo e stereotipizziamo. Procedere in questo modo è
garanzia di disastro, la narrazione può essere uno strumento
potente per comunicare in modo efficace ma è pericolosa se ci
rende ciechi alle prove che dovrebbero spingerci a rivedere o
scartare i nostri modelli. Questo “effetto paraocchi” nasce da una
dissonanza cognitiva e il modo migliore che il cervello ha per venirci
a patti è il tarlo della conferma anche detto bias di conferma
- Si iniziano a vedere conferme in tutte le informazioni che ricevo e ci si rifiuta
di mollare la propria spiegazione: TARLO DELLA CONFERMA → se ci
vengono presentate informazioni che confutano ciò che crediamo faremo di
tutto per non vederle o le deformeremo in modo che divengano conferme,
cercando in tutti i modi di ridurre la dissonanza. Il modo in cui presentiamo le
informazioni è importante quanto la solidità delle informazioni stesse. La
mente va disciplinata, lasciata a sé stessa quando viene contraddetta non
accetta nessun’altra idea.
Feynman e Huxley, due scienziati, stipulano due principi che possono
applicarsi anche al mondo delle visualizzazioni (e della vita più in generale): il
primo principio è che non bisogna ingannare sé stessi; il secondo è che una
bella ipotesi a fronte di fatti brutti ma reali deve essere uccisa
LA VERITA’ NON E’ ASSOLUTA NE’ RELATIVA
Quando si crea un modello bisogna avvicinarsi il più possibile alla verità ,
applicando strumenti di pensiero rigorosi come logica, statistica e sperimentazione.
Informazioni più abbondanti portano a modelli migliori. Può capitare che esistano più
buoni modelli, se sono basati tutti su un solido ragionamento, tutti saranno
contemporaneamente veri (altrettanto rigorosi, efficaci ed accurati nel descrivere una
realtà) fino alla raccolta e all’analisi di ulteriori prove. Il modo in cui pensiamo che
teorie ed opinioni possano essere più o meno vere è identico al modo in cui
pensiamo alla veridicità o falsità delle visualizzazioni.
Come si può creare un modello più veritiero? Esplorare più a fondo il set di dati e
cercare altre fonti (per eliminare il bias di conferma), aumentare le profondità
(aggiungere un errore di campionamento, i livelli di approfondimento devono essere
svelati e spiegati ai lettori), pensare in termini di ampiezza (aggiungere più variabili e
prendere in considerazione altri modelli), non semplificare troppo (semplicità
congettura, poiché il pensiero razionale progredisce solo se le idee correnti possono
essere sostituite da altre più fondate in seguito, quando arrivano nuove prove
IPOTIZZARE
Una congettura formalizzata per essere verificata empiricamente è detta ipotesi.
es: sospetto del calo della produttività degli scrittori che usano troppo
twitter. → La prima variabile della nostra ipotesi è “aumento dell’uso di
twitter” e possiamo chiamarla variabile predittiva o esplicativa (in alcuni casi
è detta variabile indipendente); La seconda è “riduzione del numero medio di parole
che gli scrittori producono in un giorno”, questa è detta variabile risultato o
risposta (variabile dipendente)
[variabile = elemento in cui i valori possono cambiare]
Ci sono variabili di molti tipi, per classificarle bisogna prestare attenzioni alle scale
con le quali sono misurate
NOMINALE → in una scala nominale non è obbligatorio che i valori abbiano
un peso quantitativo, si distinguono per la loro identità (maschio -
femmina / posizione geografica / partito politico ecc…), esistono solo per
identificare
ORDINALE → i valori sono organizzati o classificati secondo una
magnitudine, ma senza rivelare la dimensione esatta. Questa scala
comunica la graduatoria ma non dice nulla sulle differenza
es: potremmo analizzare tutti i Paesi del mondo secondo il loro PIL procapite ma
invece di mostrare i valori specifici ordiniamo i paesi in una graduatoria (primo posto,
secondo ecc..)
INTERVALLI → una scala di intervalli si basa su incrementi della stessa
dimensione, ma anche sulla mancanza di un vero punto zero che
rappresenti il valore in assoluto minimo. Il punto zero è solo un numero
arbitrario, non un punto di riferimento assoluto
es: il QI, se una persona ha un QI di 140 e una di 70 possiamo dire che la prima è di
70 unità superiore alla seconda ma non che è il doppio
RAPPORTI → le scale di rapporti hanno tutte le proprietà delle scale
precedenti e in più hanno un punto zero significativo.
Le variabili possono essere classificate come discrete e continue. Una variabile
discreta può adottare solo certi valori (es: una persona può avere solo un numero
intero di cugini, o 4 o 5, mai 4.5). Una variabile continua può assumere qualunque
valore della scala che si sta utilizzando, non c’è un limite al numero di cifre decimali
(es: il peso in chili può essere di 70 o di 70.4 o 70.129)
A volte una variabile discreta può essere trattata come una variabile continua (es:
numero di bambini per coppia in un certo paese: 1,8) e una variabile continua può
essere trattata come una variabile discreta (es: distanza in anni luce tra due pianeti
può essere di 4,98292… con infiniti decimali viene arrotondata in 5 anni luce)
GLI STUDI
Una volta formulata un’ipotesi deve essere verificata rispetto alla realtà.
es: sospetto del calo della produttività degli scrittori che usano troppo
twitter → invio un sondaggio online a 30 amici scrittori chiedendogli quanti
minuti hanno passato su twitter oggi e quante parole hanno scritto oggi →
è uno studio trasversale ovvero prende in considerazione solo valori raccolti in
uno specifico momento (più facile da costruire con risultati meno decisivi)
Se documento attentamente per lungo tempo (un anno, un decennio o da quando è
stato fondato twitter) otterò uno studio longitudinale (più difficile e costoso ma più
preciso).
I CAMPIONI → riguardo l’indagine di twitter incontriamo un problema, si
sta cercando di studiare una popolazione (tutti gli scrittori) ma basandosi
su un campione di scrittori che sono miei amici; i miei amici sono
rappresentativi di tutti gli scrittori?
Sospettate sempre degli studi i cui campioni non sono stati scelti
in modo casuale → la causalità è utile per gestire le variabili
estranee (profondità ed ampiezza)
A volte possiamo identificare una variabile estranea e incorporarla nel nostro
modello, in tal caso parliamo di variabile di confondimento. Un secondo tipo di
variabile estranea è la variabile occulta (lurking) cioè una variabile estranea che
non includiamo nell’analisi perché ne ignoriamo l’esistenza o perché non possiamo
spiegare la sua connessione con il fenomeno che stiamo studiando.
FARE ESPERIMENTI
Ovunque sia realistico e fattibile i ricercatori progettano esperimenti controllati. In
questi esperimenti i ricercatori osservano un gran numero di soggetti rappresentativi
su cui vogliono indagare (non per forza persone); i soggetti sono suddivisi in due
gruppi , uno sperimentale (esposti ad una condizione di qualche genere) e uno di
controllo (esposti ad una condizione diversa o nessuna) nella maggiorparte dei casi
la suddivisione dei due gruppi sarà “in cieco” (i soggetti non sanno in che gruppo
sono) o “in doppio ciecio” (nemmeno i ricercatori sanno come sono composti i
gruppi); i ricercatori misurano ciò che accade ai soggetti e confrontano i risultati
posizioni su scale identiche non allineate, lunghezza, direzione ed angolo, area,
volume, intensità e saturazione e, infine, tonalità di colore).
Per creare un grafico riuscito bisogna costruirlo basandosi su attività
elementari più in alto possibili nelle gerarchia
Cleveland e McGill si riferivano però solo a grafici statistici per i dati la metà inferiore
della scala può essere appropriata quando l’obiettivo non è quello di giudizi accurati
ma rivelare pattern generali.
Non possiamo applicare acriticamente i criteri di scelta di qualcun altro →
regola generale tracciare sempre i dati in modo diretto
Per i grafici a barre, lollipop o istogrammi conviene sempre avere una linea base 0
per evitare di incorrere in equivoci, ma in alcuni casi la linea base dell’asse delle x
può essere un numero significativo (se si parla dei tassi storici di disoccupazione di
un paese e la variabile non è mai scesa al 5%, allora la linea di base del grafico può
iniziare dal 5% invece che 0)
ORGANIZZARE L’ESPOSIZIONE
Scegliere il formato giusto per un grafico non basta per un’ottima visualizzazione,
bisogna anche capire che attività deve consentire il grafico e cosa dobbiamo
rivelare.
CAP. 6 ESPLORARE I DATI CON SEMPLICI GRAFICI
Il famoso statistico John Tukey creò un’intera branda dell’analisi dei dati,
praticamente da solo, e la chiamò analisi esplorativa dei dati, spiega che prima
ancora di iniziare a verificare le idee rispetto alle prove, è essenziale avere un’idea
chiara dell’aspetto dei dati, e il modo migliore per farlo è una rappresentazione
grafica.
Il processo di esplorazione visiva dei dati può essere riassunto in: trovare pattern e
tendenze nascoste nei dati e poi osservare le deviazioni di tali pattern. Per riferirsi a
tutti i dati complessivamente si utilizza il termine distribuzione.
Possono nascere delle intuizioni già solo calcolando le misure di tendenza centrale
(moda, mediana e media), nell’analisi esplorativa dei dati sono dette “ livello della
distribuzione ” perché danno l’idea della dimensione media dei numeri e di quale sia
il loro punto centrale.
MODA = misura di tendenza più semplice, è il valore che appare più spesso nella
distribuzione. le distribuzioni con una sola moda sono dette unimodali , se ne hanno
due o più è una distribuzione bimodale, trimodale o multimodale
MEDIANA = il valore che divide in due metà l’insieme dei valori. E’ una statistica
resistente perché pur aggiungendo un valore oltraggioso alle estremità il calcolo
rimane intatto, mentre la media verrebbe sbilanciata
MEDIA = è la somma di tutti i valori divisa per il numero totale dei valori. E’ una
statistica non resistente. La media delle medie è detta media generale; una media in
cui i valori considerati hanno pesi diversi è detta media ponderata
es: analizziamo lo storico dei sali base dei laureati all’università Chapel Hill del Nord
Carolina. Calcolando la media scopriamo che i laureati in geografia guadagnano
circa 740mila dollari/anno; ma anche Michael Jordan si è laureato alla Chapel Hill e il
suo primo salario è stato di qualche milione di dollari in più rispetto ai suoi compagni
di corso, ciò distorce la media. Lo stipendio di Michael Jordan è detto valore
anomalo (outlier) così lontano dal livello della distribuzione da distorcere la
comprensione dei dati. In questo caso è meglio calcolare la mediana
Una forte differenza risultante dal confronto tra mediana e media è uno dei primi
segnali di una distribuzione sbilanciata
INTERVALLO = è la differenza tra i valori massimo e minimo di una distribuzione
(aka l’estensione della distribuzione)
Per la rappresentazione grafica dei dati il modello migliore è l’ istogramma che
prevede l’aggregazione dei valori in dei contenitori. In un istogramma l’altezza di
ciascuna barra corrisponde al numero dei record o dei punteggi, deve mostrare la
frequenza di ciascun valore. Più è alta la barra più è alta la frequenza dei valori
aggregati.
In fase di esplorazione, un progettista di visualizzazioni non dovrebbe mai
basarsi su un'unica statistica o su un unico grafico o una sola mappa. →
più grafici, più chiarezza per il progettista, più chiarezza per il grafico
finale.
CAP. 7 VISUALIZZARE DISTRIBUZIONI
Una singola statistica (moda, media, mediana ecc…) può non essere un modello
che rappresenta correttamente l’intero set di dati. Per completare le visualizzazioni
(media, mediana e moda sono uguali; la distribuzione è simmetrica = il
50% dei punti è sopra la media, l’altro è sotto); sappiamo quali
percentuali di punti si trovano in determinati intervalli)
PERCENTILI
Abbiamo già parlato di mediana, che divide a metà una distribuzione →
possiamo misurare la dispersione dei dati a partire dalla mediana
utilizzando i percentili
PERCENTILE = un valore che suddivide la distribuzione in modo che una
percentuale degli altri valori si trovi al di sotto di esso, divide la
distribuzione in centesimi. → la mediana è sempre il 50° percentile
Dal 10° al 90° i percentili sono detti decili , dividono la distribuzione in terzi. Il 20°,
40°, 60° e 80° percentili sono detti quintili perché dividono la distribuzione in quinti.
Tukey nell’esplorazione dei dati consiglia i quartili ovvero il 25°, 50° e 75° che
suddividono la distribuzione in quarti
Possiamo rappresentare i quartili con dei diagrammi a scatola , la scatola evidenzia
i limiti dei segmenti di dimensione uguale nella distribuzione e dà risalto agli outler
(valori anomali), le scatole sono top quando non si analizza un’unica distribuzione
ma se ne confrontano diverse.
!!Ricorda: l’analisi esplorativa dei dati consiste nell’osservare tendenze e pattern (la
norma ) e poi identificare deviazioni o eccezioni!!
La natura essenziale dei set di dati è composta da:
- Il livello = misure di tendenza centrale come la media
- la dispersione
- la forma dei dati
Esplorare sia la norma che le eccezioni è fondamentale per trovare nuove
informazioni e progettare visualizzazioni che le spieghino ai lettori, l’esplorazione
delle eccezioni spesso implica la trasformazione dei dati in modo da isolare un altro
elemento della norma:
il livello: ciascun punto originale - qualsiasi misura di tendenza centrale (sottrazione)
CAP. 8 RIVELARE IL CAMBIAMENTO
Il cambiamento in una o più variabili continue è di solito visualizzato con grafici
lineari a serie storiche → l’asse delle x rappresenta intervalli temporali con
spaziatura equivalente, l’asse delle y corrisponde alla magnitudine delle
variabili che vogliamo esplorare o presentare. Leggendo un grafico del
genere bisogna tener conto di tre aspetti:
- il trend , le variabili salgono, scendono o restano uguali?
- la stagionalità , la variabili mostrano fluttuazioni periodiche e coerenti?
- il rumore , alcune delle variazioni che osserviamo sono semplicemente
cambiamenti casuali?
[calcoli che non ho capito che cazzo c’entrano con tutto ciò
differenza = ciascun valore - media]
Un altro modo di esplorare e presentare i dati in serie storiche al lettore è il calcolo
degli indici = processo di determinazione di specifici indicatori (indici) che forniscono
informazioni sintetiche sull'andamento, la situazione o la performance di un'entità.
Nei grafici lo 0% è detto origine dell’indice e il calcolo degli indici con base 0 si fa
con la stessa formula che si utilizza per la variazione percentuale :
Variazione percentuale =
ciascun punto − origine dell ' indice
origine dell ' indice
x 100
[ esempio: il numero medio di case vendute a meno di 125mila $ tra il
2002 e il 2003 era 63.750 all’anno, questa sarà la nostra origine. So che il
numero di case economiche vendute nel 2002 è di 157.000 →
x 100 = 146,3 ]
Abbiamo appena imparato come confrontare tutti i valori delle nostre serie storiche
ad un singolo valore indice, ma se fossimo interessati al tasso di cambiamento di
ciascun periodo in confronto al precedente dovremmo dividere il nuovo periodo per il
periodo precedente:
tasso di variazione =
nuovo periodo
periodo precedente
[esempio: la popolazione negli USA nel 1800 è stimata a 5.308.483 abitanti, nel
1801 era 5.475.787 abitanti => 5.475.787 : 5.308.483 = 1,
Questo 1,03 può essere letto come 103% quindi si può dire che la popolazione nel
1801 era circa il 103% della popolazione nel 1800. In altre parole, per ogni 100
persone nel 18000, nel 1801 ce n’erano 103]
Un altro modo per visualizzare il tasso di variazione è la scala logaritmica →
tutti i calcoli logaritmici iniziano scegliendo una base, nelle visualizzazioni di solito è
Un solo diagramma a dispersione mostra le relazioni tra due variabili, ma se
volessimo confrontarne di più? Il limite di questo tipo di grafico è che è possibile
confrontare la partecipazione a qualsiasi altro punteggio ma non vedere la
correlazione tra i singoli test (con l’esempio a pg. 240 dei punteggi SAT scholastic
aptitude test dei vari stati americani). Le matrici di diagrammi a dispersione sono
concepite per esplorare dati multivariati, e possono fornire una vista complessiva
molto ricca delle relazioni tra numerose variabili; le matrici possono avere un codice
colore abbinato alla forza delle correlazioni e sono semplificabili come grafici termici.
Le mappe termiche da sole non sono indicate quando la relazione tra variabili non è
sempre lineare però può riassumere in modo conciso set di dati molto ampi (nel
dubbio creare sempre prima un diagramma a dispersione).
Nei diagrammi a dispersione, l’asse delle X è una variabile indipendente e
l’asse delle Y è una variabile dipendente, il che non le rende intercambiabili
e questo rendo il grafico un modello di regressione → nella regressione x
ha un qualche limitato valore predittivo. Se ci si aspetta un futuro
valore di x si può predirre a grandi linee il corrispondente valore di y
tramite la formula della regressione più semplice, ovvero la
regressione lineare univariata con minimi quadrati
Y = intercetta + X x coefficiente angolare
Intercetta = è il valore di Y in corrispondenza del quale la linea di regressione
interseca il punto 0 dell’asse X
Coefficiente angolare = è il tasso di variazione dei valori Y al variare dei valori X
Oltre ad r, nei modelli di regressione, compare anche un
r
2
ovvero il coefficiente di
determinazione = indica la misura in cui la variazione di una variabile dipendente
(Y) dipende da quella indipendente (X).
E’ assolutamente fondamentale ricordare che è bene inferire dei dati solo allo stesso
livello di aggregazione dei dati, i dati a livello di gruppo non possono essere usati per
analizzare fenomeni a livello individuale
CAP. 10 MAPPATURA DEI DATI
In questo capitolo si usa un senso più stretto del termine mappa, ci si riferisce solo
alle visualizzazioni che mostrano attributi o variabili associate ad immagini
geografiche. Gli attributi principali di una mappa sono scala, proporzione e
simbologia usata per rappresentare le informazioni. La scala è la misura della
proporzione tra distanza e dimensioni nella mappa e nell parte del mondo che
rappresenta.
Una mappa a grande scala (1:10.000) mostrerà una piccola area geografica con
dettagli maggiori di una mappa a piccola scala (1:100.000.000)
PROIEZIONE = è il processo di trasformazione di un globo, o parte di esso, in
un’immagine piana o bidimensionale.
Gli oggetti geometrici sui quali il globo può essere proiettato per creare una mappa
sono detti superfici di sviluppo , le più usate sono il cilindro, il cono e il piano.
Le parti delle superfici di sviluppo tangenti al globo durante il processo di proiezione
sono dette linee standard ; la scala di una mappa è accurata solo lungo tali linee,
man mano che ci si allontana aumenta la distorsione.
Esistono cinque proprietà che possono, e saranno, distorte proiettando un globo su
una superficie piana: forma, superficie, angoli, distanza e direzione. Una
proiezione può rispettarne una o due, almeno 3 attributi saranno sacrificabili.
Considerando queste proprietà possiamo identificare due grandi gruppi di mappe:
1. Proiezioni conformi = conservano la forma dei continenti (l’aspetto
complessivo delle terre emerse) e gli angoli locali (qualsiasi angolo creato
dall’intersezione di due linee sarà lo stesso sulla mappa e sul globo). La
proiezione conforme più famosa è quella di Mercatore, fu creata per la
navigazione marittima ma non è una buona scelta per i planisferi poiché la
linea standard è posta sull’equatore quindi più ci si allontana verso nord o sud
più le aree della mappa saranno grandi rispetto alla realtà.
2. Proiezioni equivalenti =conservano i rapporti tra le superfici, sono
proporzionali a quelle reali ma tendono a distorcere notevolmente le forme e
la distorsione aumenta man mano che si allontana dalle linee standard
→ una mappa non può essere conforme ed equivalente allo stesso tempo,
sono caratteristiche mutuamente esclusive
MAPPE DATI A PUNTI E A LINEE
Le mappe dati solitamente sono dette mappe tematiche → non devono
semplicemente mostrare delle posizioni geografiche ma anche attributi e
statistiche sui luoghi. I dati sulle mappe sono codificabili per mezzo di
x - y = z → z : n classi = dimensione
limite inferiore della prima classe = y + dimensione
limite max 2 classe = y + (2 x dimensione)
Quantili = possiamo utilizzarli per classificare i dati, consiste nel posizionare in ogni
classe un numero grosso modo uguale di casi
(es: 50 stati degli USA, 6 classi → 50 : 6 = 8,3 stati in ogni classe)
Schemi colore divergenti = si basa sulla media e sulla deviazione standard
(es: sappiamo che il 17% della popolazione USA è ispanica, questa è la nostra
media. La deviazione standard del set di dati è di 10,0 che useremo anche come
dimensione di classe.
Per calcolare gli intervalli delle classi iniziamo dalla media e aggiungiamo e
sottraiamo la deviazione standard tutte le volte che è necessario per includere
l’intero set di dati.
sotto la media → classe 1: 17,0 - 10, 0 0 7,
classe 2: 17,0 - (2 x 10,0) = -3,0 → nei set non esistono
valori negativi quindi usiamo la cifra più piccola = 1
sopra la media → classe 1: 17,0 + 10,0 = 27,
classe 2: 17,0 + (2 x 10,0) = 37,
classe 3: 17, 0 + (3 x 10,0) = 47,0)
E’ opportuno che le mappe coropletiche siano accompagnate il più spesso possibile
da grafici o tabelle che ne consentano una comprensione più ricca.Una carenza
delle mappe coropletiche è che le zone del mondo sono di dimensione
estremamente variabili , i Paesi estesi risultano di più mentre quelli meno estesi ma
con una densità di popolazione molto alta saranno quasi invisibili. Una soluzione è
quella di creare diagrammi molto astratti o creare un cartogramma ovvero una
mappa in cui le aree sono ingrandite o ridotte sulla base di una magnitudine.
