Master 1ère année Analyse spatiale, analyse géographique ...
Ecoled’été«Satistiques, Cartographies et Analyse spatiale ...
Transcript of Ecoled’été«Satistiques, Cartographies et Analyse spatiale ...
Méthodes de discrétisation
Hélène Mathian
EcoleEcole dd’é’éttéé «« SatistiquesSatistiques, Cartographies , Cartographies et Analyse spatialeet Analyse spatiale »»
YaoundYaoundéé 20062006
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
2De l’information à la représentation cartographique
La collecte des données et leurs traitements constituent des phases très importantes.
Une carte est une représentation possible des données . Elle constitue un point de vue.
On peut avoir des données fausses déguisées en jolie carte… et des jolies données mal cartographiées.
Pourquoi ? Quel est le but ?Quoi ? Quelle description ? Quelles mesures ?Comment et où ? Quand et qui ?
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
3Un jeu … de donnéesDistribution statistique et distribution spatiale
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
4
Discrétiser pour cartographierCartographier une série quantitative nécessite de discrétiser les valeurs
Discrétiser = découper une série statistiques en classes
Grand compromis statistique - cartographieRésumer au mieux la distribution (conserver l’hétérogénéité)
–Optimum: le plus grand nombre de classesConstruire une carte efficace (synthétiser)
–Optimum: un faible nombre de classes et d’effectifs égaux.Choisir des combinaison de variables visuelles restituant au
mieux les spécificités de la distribution statistique.–Règles de sémiologie graphique
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
5
Les règles de la réduction statistique de l’information en vue d’une cartographie.
Conserver l’ordre de grandeurConserver la forme de la distributionConserver la dispersion
Maximiser l’hétérogénéité entre les classesMaximiser l’homogénéité à l’intérieur des classes
Décider de conserver ou non les singularités
Il n’y a pas une discrétisation optimale. Il y a une démarche cohérente par rapport à un
objectif donné et une distribution donnée.
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
6
Les méthodes de discrétisation
Classes d’amplitudes égalesClasses basées sur la moyenne et l’écart-typeClasses d’effectifs égaux (ou quantiles)Classes en progression géométriqueMéthode des seuils naturelsMéthode de Jenks
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
7
Discrétisation en classes d’amplitudes égales
+ Facile à construire, facile à lire, conserve la forme de la distribution
- Optimum carto pour distribution uniforme (rare) -- pour les distributions asymétriques
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
8Classes d’amplitudes égales
Nb communes
0
5
10
15
20
25
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24% chomeurs
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
9Discrétisation basée sur la moyenne et l’écart-type
+ Fait référence aux caractéristiques de la distribution (moy, s)
+ permet la comparaison dans une unitécommune
- Convient mal aux distributions asymétriques
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
10
Classes basées sur la moyenne et l’écart-typeNb communes
0
5
10
15
20
25
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24% chomeurs
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
11
Discrétisation en classes d’effectifs égaux (méthodes des quantiles)
+ Transmet une information maximale+ Privilégie les rangs plus que les valeurs- Transforme complètement la distribution
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
12
Classes d’effectifs égauxNb communes
0
5
10
15
20
25
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24% chomeurs
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
13
Discrétisation en classes en progression géométrique
+ Convient aux distributions asymétriques produites par exemple par des processus multiplicatifs
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
14
Classes en progression géométrique
Nb communes
0
5
10
15
20
25
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24% chomeurs
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
15
Discrétiser pour comparerLa comparaison est un objectif spécifique de la cartographieComparaison des positions relatives ou des positions absolues ?Comparaison
Des distributions de 2 phénomènes sur un même espaceDans le temps (cartographie d’une évolution)Des distributions d’un même phénomène sur 2 espaces différents ou à 2 échelons différents.
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
16
Comparaison des positions relatives
2 phénomènes sur un même espace: La part des cadres et des ouvriers.
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
17
Comparaison des positions relatives
Évolution d’un phénomène: les densités communales entre 1962 et 1999
Méthode: min,p5,Q1,Q2,Q3,p95,max
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
18
Comparaison des positions absolues
Évolution d’un phénomène: les densités communales entre 1962 et 1999
Ecole d’été « Statistiques, Cartographies et Analyse Spatiale, Yaoundé 2006
19
Les problèmes que posent le territoire aux statistiques et à la cartographie
Problèmes de comparabilité:Effet de contourEffet de bordureEffet de définition
L’exemple du découpage en Iris:•Homogénéité de définition sémantique•Hétérogénéité de définition spatiale