Los mapas de coropletas son los más empleados como representación cartográfica, pues son fáciles de percibir y tienen una gran expresividad comunicativa. Por otro lado, estos mapas tienen la desventaja de que, con frecuencia, pueden tener serios problemas de representación de la información. Sus resultados intentan brindar una comunicación sintética de la información a nivel cartográfico, que sirva de apoyo a la gestión y planificación territorial.
La representación cartográfica se realizó con el software ArcMap, y se utilizaron indistintamente los diversos métodos que se ofrecen desde este software, tratando de aplicar el método que más se ajuste a la naturaleza de los datos. La elección de un método u otro determina la apariencia y el mensaje del mapa representado, pero ningún método es mejor de antemano, todo depende del resultado que se quiera obtener en la representación.
En la elaboración de los mapas coropléticos se ha procurado usar colores perceptibles, y con gradaciones bien definidas que no confundan al receptor. Se ha utilizado un intervalo de 5 clases para todas las variables, por estimar que se trata del número de clases idónea, si bien es cierto que Moreno Jiménez (2007) indica que para los mapas de coropletas no se deben utilizar un número de categorías de variable superior a seis, con el objeto de evitar confusiones visuales. Sin embargo, cuando lo que se representa son variables continuas, es conveniente utilizar más intervalos, para que los cambios de rangos no sean tan bruscos. Pueden diferenciarse distintos métodos.
1) El método de intervalos basados en puntos de ruptura naturales propone,
sobre la base de un análisis de la varianza, minimizar la varianza dentro de cada clase y maximizar la varianza entre clases. Los datos se ordenan por valor creciente y se buscan todos los grupos que se pueden constituir con k clases. Por cada configuración se calcula la varianza dentro de los grupos, y la varianza entre los grupos. Se hace una comparación entre estos valores y se toma la configuración que minimiza la varianza dentro de los grupos, y maximiza la varianza entre los grupos (Jenks, 1967).
Este método es el mejor desde el punto de vista de la estadística, porque constituye grupos con máxima homogeneidad y busca una máxima heterogeneidad entre los grupos. Los límites de clase son valores reales de la distribución. Sin embargo, su principal inconveniente es que cada configuración da clases muy diferentes.
2) Intervalos basados en cuantiles: calcula los límites de intervalo de manera que
cada intervalo tenga el mismo número de elementos. Su uso es más adecuado para series de datos cuya distribución sea homogénea, es decir, que no presentan un número excesivo de unidades con valores parejos. Es un método de gran utilizad cuando se quiere remarcar la colocación relativa de una unidad con respecto a las demás.
Su principal ventaja es que este método funciona con cualquier tipo de distribución, ya sea normal o no, y los límites de clase son valores reales. Es un método completamente independiente de los valores; y no depende de los valores extremos. Considerando que cada clase tiene el mismo número de individuos, el grado de orden de los datos (entropía) es máximo. Esto permite una mejor lectura gráfica del mapa.
126 Los principales inconvenientes de este método son que puede que cada clase no tenga exactamente el mismo número de individuos, porque pueden existir varias observaciones para el mismo valor. También puede ser difícil establecer los límites de clase en el caso de series muy discontinuas. Si existen valores muy particulares a los extremos, los límites de clases serán difíciles de interpretar. En este caso, suele tomar como clases extremas los percentiles 5 y 95. Cabe la posibilidad de que valores bajos de la variable sean frecuentemente incluidos en el mismo intervalo que valores altos.
3) El método de intervalos iguales se obtiene dividiendo en k clases el rango de
valores de los extremos de los datos de la variable. De ahí surgen clases de igual amplitud basados en las diferencias de los valores de cada clase.
Estos mapas pueden utilizarse en una serie cartográfica con fines comparativos únicamente cuando las variables se encuentran tomadas en las mismas unidades de medida y a su vez sus valores extremos son similares.
Esta técnica tiene facilidad de cálculo y de interpretación de mucha utilidad cuando la variable se extiende de 0 a 100 o según valores extremos conocidos.
Sin embargo, es muy sensible a los valores extremos. Con una distribución desigual o que presenta discontinuidades, algunas clases pueden estar vacías y provocar una concentración en pocas clases.
4) Los intervalos geométricos es un método que minimiza la varianza entre
clases. Esto asegura que el cambio entre intervalos sea bastante coherente. El resultado es visualmente atractivo y completo cartográficamente, y funciona razonablemente bien en las series de datos que no se distribuyen normalmente. De hecho, este método fue diseñado para trabajar con los datos que están muy sesgados por el predominio de valores duplicados. Sin embargo, no es un método idóneo para identificar datos “outliers”.
5) El método de los intervalos basados en la desviación estándar calcula los
límites de clases según una fracción de la desviación estándar. Se permite calcular las clases a partir de intervalos de clase de la media con respecto a su desviación. Se contemplan desviaciones estándar en intervalos de clase de 1, 1/2, 1/3 o 1/4 de desviación considerando la media como límite de clases. Se calcula la media (m) y la desviación estándar (s). Se calcula los límites de clase, de tal forma que tendremos la misma extensión de una desviación estándar.
Tiene múltiples ventajas, pues permite la comparación entre variables muy disímiles porque el examen se hace a partir de variables con una estructura de origen común (media) y de unidad media similar (desviación estándar), a condición de tener una distribución normal. A veces es necesario subdividir más las clases cerca de la media e incluir en una sola los valores extremos que salen del intervalo de confianza.
Sin embargo, la distribución debe seguir un modelo normal, de lo contrario debe hacerse una transformación de los datos de manera que la distribución se acerque a un modelo normal, por lo que en el caso de la densidad de la población no es adecuado utilizarlo.
127