7: Mentir con mapas
- Page ID
- 88564
Los cartogramas son otra forma de mentir con simbolización. Los cartogramas son mapas que distorsionan el área o la distancia sustituyendo otra variable temática. Debido a las dramáticas distorsiones que producen los cartogramas, podrías considerar que están diciendo más que mentiras piadosas. Sin embargo, los cartogramas son solo formas diferentes de simbolizar los mismos datos para poder contar una historia. Las grandes mentiras que trataremos en la siguiente sección son mentiras que se cuentan con fines muy específicos o para suscitar reacciones particulares. Los cartogramas se consideran mentiras blancas aquí porque son solo otro conjunto de opciones de simbolización que afectan la representación de los datos en su mapa.
La siguiente figura es un ejemplo de un mapa que muestra el número de personas y la cantidad de riqueza por país en 2015. Obsérvese cómo el tamaño de un país dado no se muestra de acuerdo con la masa de tierra de ese país, sino que de hecho corresponde al número de personas que allí viven o a su riqueza total. Este mapa te da, de manera muy rápida y efectiva, una lectura sobre qué países tienen más gente y más dinero.
Mentir con cartogramas. Población total y riqueza por país en 2015. Obsérvese cómo el tamaño de los países en el mapa no es su superficie real sino proporcional al atributo que se mide, población o riqueza. [3]
7.1.3 Estandarización
Cómo y si los datos están estandarizados también tiene un enorme impacto en la historia que cuenta el mapa. Los mapas de la siguiente figura representan datos de pobreza del censo de Estados Unidos del 2000. El mapa superior estandariza los datos por el porcentaje de la población, el número de personas que viven en la pobreza en relación con la población total de ese tramo censal. El mapa inferior se basa en números brutos de cuántas personas viven en la pobreza en el tracto censal. Al no tener en cuenta la pobreza como porcentaje de la población total, el mapa inferior dice una mentira mucho mayor sobre los niveles de pobreza en Estados Unidos.
Mentir con estandarización. La pobreza como porcentaje versus la pobreza como número bruto. Estos mapas representan datos de pobreza del Censo de Estados Unidos del 2000 pero difieren en su estandarización. [4]
7.1.4 Clasificación
La clasificación importa. Las decisiones que tomes sobre cómo clasificar tus datos pueden tener un gran impacto en la historia que cuenta tu mapa. Los mapas aquí muestran cómo se puede mentir con la clasificación. Los tres mapas de la siguiente figura utilizan cada uno los mismos datos, el mismo número de clases, el mismo esquema de colores y la misma estandarización, sin embargo, cada uno cuenta una historia muy diferente sobre la pobreza en Estados Unidos, dependiendo del esquema de clasificación. El primer mapa clasifica los datos usando intervalo igual, el segundo usando cortes naturales y el tercero usando un esquema cuantil.
Mentir con clasificación. Pobreza a través de intervalos iguales, rupturas naturales y clasificaciones cuantiles. Los tres mapas utilizan los
mismos datos, el mismo número de clases, el mismo esquema de colores y estandarización, sin embargo, cada uno cuenta una historia muy diferente sobre la pobreza en Estados Unidos. [5]
La siguiente figura muestra tres mapas de datos censales de pobreza del año 2000. Cada uno utiliza un esquema de clasificación de cuantiles. La única diferencia es el número de clases. Vea cómo el número de clases impacta su percepción de los niveles de pobreza en EU. Si bien hay algunas áreas que demuestran patrones de pobreza en los tres mapas, a medida que aumentas el número de clases, obtienes una imagen más matizada de cómo se distribuye la pobreza en todo el país.
Mentir con clases. Pobreza mediante clasificaciones cuantiles con diferente número de clases. Los tres mapas utilizan los mismos datos y combinación de colores, pero cuentan una historia diferente sobre la pobreza en Estados Unidos. [6]
7.1.5 Agregación, Clasificación y Falacia Ecológica
Recordemos que los datos suelen ser agregados. A menudo se recolectan a una escala, como el hogar o el vecindario, y luego se reportan a escalas mucho más amplias, como la zona censal o el condado. Esto se llama agregar los datos. Si bien la agregación puede ser muy útil en términos de preservar la privacidad o presentar una visión más amplia y sinóptica, también puede conducir a la falacia ecológica, o a la suposición de que una característica o valor calculado para un grupo en agregado se puede aplicar a un miembro individual de ese grupo. En otras palabras, los datos agregados hacen que sea difícil asumir o adivinar las características de cualquier individuo dado que se encuentre en esa área agregada.
Imagina que estás comparando los ingresos de dos bloques, cada uno compuesto por cinco hogares. El Bloque A tiene un ingreso familiar promedio de $48,000 mientras que el Bloque B tiene un ingreso familiar promedio de $40.000, según la siguiente cifra. ¿En qué área es más probable encontrar un hogar con mayores ingresos? Si eliges el Bloque A —el área con el total de ingresos promedio más altos— entonces te engañó la falacia ecológica. De hecho, no hay manera de saber por sí solo a partir de datos agregados cómo es la situación para un individuo dentro de un grupo. La figura muestra uno de los muchos escenarios posibles bajo los cuales cuatro de cada cinco hogares del Bloque B tienen ingresos más altos que los hogares del Bloque A.
Falacia ecológica. Considera este escenario en el que el Bloque A tiene un ingreso promedio agregado mayor pero en su mayoría valores individuales menores que el Bloque B. [7]
¡Cuidado con la falacia ecológica cada vez que estés interpretando mapas, o podrías llegar a conclusiones falsas sobre las personas que viven en un barrio u otras áreas!
El peligro de la falacia ecológica para el lector de mapas está estrechamente ligado a las formas sutiles en que los creadores de mapas pueden mentir con la agregación, a menudo en combinación con la clasificación. La siguiente figura ilustra los resultados de votación para las elecciones presidenciales de Estados Unidos de 2012. El mapa de la izquierda representa a los condados por su voto mayoritario en la elección. Rojo significa condados donde la mayoría de los residentes votaron por el candidato republicano, Mitt Romney; azul significa condados con voto mayoritario para el candidato demócrata Barack Obama. El mapa de la derecha intenta revelar un poco más de matiz en los patrones de votación, utilizando una escala rojo-púrpura-azul para indicar porcentajes de votos, mientras que la de la izquierda es más simple y más propensa a la falacia ecológica. Estos mapas son completamente correctos. Se diferencian en la forma en que clasifican sus datos subyacentes en dos categorías o al no clasificar los datos y, en su lugar, usar tonalidad y valor para representar diferencias finas entre condados.
Mentir con agregación y clasificación. Mentir, o más bien decir verdades diferentes, sobre las elecciones presidenciales de Estados Unidos en 2012. El mapa de la izquierda muestra los condados por su mayoría de votos en la elección, donde rojo significa condados donde la mayoría de los residentes votaron por el candidato republicano y azul significa condados votando demócrata. [8]
Por tu conocimiento de la falacia ecológica, sabes que incluso a nivel del condado, este mapa no representa con precisión la afiliación partidista, creencias o patrones de votación de cada persona en el condado. Los datos se agregan al nivel de condado y se clasifican de manera diferente a los datos del mapa de la derecha. Este tipo de agregación y clasificación es útil porque nos permite distinguir entre patrones de votación en diferentes partes del país, por ejemplo, variaciones rurales/urbanas. Por supuesto, el mapa de la derecha sigue mintiendo —no todos los residentes en Estados Unidos votaron, y los que lo hicieron no necesariamente votaron por el candidato republicano o demócrata avalado— pero está tratando de proporcionar una imagen más precisa de los datos. Ambos mapas mienten con el fin de dar una imagen del resultado electoral en determinadas partes del país.
Considera la versión cartográfica del mapa electoral, a continuación. El cartograma distorsiona el área en función de los rendimientos electorales a nivel de condado, por lo que los condados con poblaciones más grandes parecen más grandes. El cartograma yace distorsionando el área, pero de alguna manera, nos da una imagen más clara de los resultados electorales. En el mapa estándar de agregación de condados anterior parece que Estados Unidos votó fuertemente republicanos; pero el cartograma muestra que muchos condados de tendencia republicana tienen poblaciones relativamente pequeñas, mientras que los condados con poblaciones más grandes votaron principalmente por el candidato demócrata.
Cartograma electoral. Este cartograma de resultados electorales distorsiona el área aparente del condado por el número de retornos, por lo que los condados con poblaciones más grandes parecen más grandes. [9]
7.1.6 Agregación y Zonación
Hemos analizado cómo se agregan los datos a áreas más grandes y cómo este proceso de agregación puede afectar la forma en que se interpretan los datos, como causar el potencial de falacia ecológica. Además de agregar datos, también podemos zonificarlos de manera diferente, lo cual es otra forma de decir que podemos dibujar una matriz casi infinita de límites diferentes para cualquier agregación dada. A menudo usamos los límites de los condados en nuestros análisis, por ejemplo, pero los límites de los condados son arbitrarios. Fueron dibujados a lo largo del tiempo de acuerdo con una serie de principios diferentes, como por ejemplo dónde fluía un río o donde se fomentaba el asentamiento. Los datos de población a menudo se agregan y reportan por condado, pero podrían ser (y a menudo son) reportados a través de otras zonificaciones, como códigos postales, códigos de área de números de teléfono, distritos escolares o límites de cuencas hidrográficas.
Es importante destacar que la forma en que se agregan los datos y dónde se dibujan los límites de las zonas puede cambiar fácilmente los patrones de datos y los resultados del análisis. Dependiendo de la escala a la que se mire un patrón geográfico, puede derivar resultados completamente diferentes a partir de los mismos datos subyacentes exactos. Esto se llama el m odificable a real u nit p roblem. Por ejemplo, considere la tasa de una enfermedad en una población. Los individuos en lugares específicos se enferman, pero los funcionarios de salud a menudo quieren conocer las tendencias más amplias de las enfermedades. Por esta razón —y para proteger la privacidad de los pacientes— pueden contar el número de casos por bloque, código postal u otra zonificación. Pero romper artificialmente el espacio en estas áreas más grandes puede cambiar los patrones aparentes de enfermedad. La siguiente figura ilustra esto para muertes por problemas respiratorios en Ottawa, Canadá. Cada mapa utiliza los mismos datos subyacentes pero los casos de grupos o zonas son diferentes: por agregación de un departamento de salud, por barrio y por tramo censal. Cada uno clasifica las unidades espaciales en cuartiles, o en otras palabras, divide las áreas en cuatro grupos iguales según cuántas personas están muriendo en esas áreas. Tenga en cuenta que estos tres mapas utilizan exactamente los mismos datos subyacentes y solo están usando diferentes formas de zonificar los grupos. Sin embargo, estos mapas se ven muy diferentes, destacando el desafío del problema de la unidad de área modificable.
Salud y zonificación. Todos estos mapas muestran datos sobre dónde mueren las personas por problemas respiratorios en Ottawa, Canadá. Cada mapa usa los mismos datos subyacentes pero los casos de grupos o zonas son diferentes. Cada uno categoriza las unidades espaciales en cuartiles. [10]
Además de la zonificación, el problema de la unidad de área modificable puede resultar de la agregación. Considere las siguientes cifras del potencial solar en los 48 Estados Unidos inferiores. El potencial solar se refiere a la idoneidad de un lugar en particular para desarrollar energía solar. Estos datos son del Laboratorio Nacional de Energías Renovables y estos mapas fueron creados por Anthony Robinson (2010). El primer mapa muestra el potencial solar promedio anual por estado. Es decir, estos datos se agregan por estado. Se puede ver de inmediato que algunos estados se ven mejor que otros.
Potencial solar por estado. Potencial solar anual por estado, que mide la idoneidad de un lugar en particular para desarrollar energía solar. [11]
Los mismos datos subyacentes agregados a los condados hacen que parezca que muchos estados que se mostraron en un color a nivel estatal en realidad incluyen varias categorías de potencial solar cuando miras los datos por condado.
Potencial solar por condado. Potencial solar anual por condado, que mide la idoneidad de un lugar en particular para desarrollar energía solar. [12]
El tercer mapa muestra los datos subyacentes originales en los que se basaron los otros dos mapas. Estos datos originales calculan el potencial solar en celdas de red de 10 kilómetros. Se puede ver cómo se comparan los límites estatales y comarcales con los datos brutos y cómo la agregación cambia la distribución aparente de los fenómenos.
Potencial solar por celda de red. Potencial solar anual dado por los datos originales, que utilizaron una celda de red de 10km. [13]
7.2 Grandes Mentiras
Hay otras mentiras cartográficas que no son tan inocentes. En el resto de esta sección, vamos a centrarnos en algunos ejemplos de mapas que están mintiendo de manera más deliberada, o trabajando duro para representar una historia muy particular. Tenga en cuenta, sin embargo, que hay una delgada línea entre el creador de mapas que pretende claridad vs. empujar una agenda. El primer ejemplo aborda las formas en que se manipulan la agregación y la zonificación para lograr un fin político particular.
7.2.1 Mentiras políticas: Gerrymandering
Hay muchas formas en que se modifican los mapas para promover perspectivas o resultados políticos particulares. Las mentiras políticas en el mapeo toman la forma de propaganda, anuncios de campaña y mapas de recursos con motivación política. Una mentira política particularmente importante es el gerrymandering, la manipulación de los límites de una circunscripción electoral para favorecer a un determinado partido o grupo político. Debido a que los distritos del Congreso de Estados Unidos se redistribuyen en los años posteriores al censo decenal, los líderes políticos en el poder en ese momento pueden aprovechar para redibujar fronteras —incluso fronteras enrevesadas y manipuladas— que favorecen el éxito político continuo de su partido.
El gerrymandering ha sido una parte importante y muy disputada del proceso político de Estados Unidos desde hace bastante tiempo. El término fue acuñado en la Boston Gazette en referencia a los esquemas ideados de redistritación diseñados para asegurar el poder político del Partido Democrático-Republicano del gobernador de Massachusetts Elbridge Gerry. En 1812, la Gaceta publicó la ilustración que se ve a continuación comparando la intrincada redistribución de distritos de Gerry con la imagen de una criatura parecida a una salamandra. Así, nació “gerrymandering”. Esta técnica política tiene una historia histórica, y es una poderosa manera de mentir con los mapas: gerrymandering trabaja para consolidar o distribuir el poder político, con tácticas como aislar a los oponentes (conocido como empacar) y romper áreas de oposición (agrietamiento).
Gerrymandering. El término gerrymandering fue acuñado por Elkanah Tisdale en la Gaceta de Boston en 1812. El diario publicó una caricatura editorial que mostraba la forma alargada de las áreas agregadas en forma de salamandra. [14]
En la siguiente figura, hay cincuenta recintos (la zona más pequeña en la que se contabilizan los votos) que se pueden distribuir entre cinco distritos. A nivel de precinto, hay proporcionalmente más votantes verdes que amarillos (60% frente a 40%), y por lo tanto, al igual que todas las demás cosas, se esperaría que los distritos no ordenados por gerrymandered reproduzcan un resultado proporcionado. De los cinco distritos totales, se esperaría que tres votaran mayoría verde y dos mayoría amarilla, lo que corresponde a la división 60% versus 40% de los recintos subyacentes. Agrupar los recintos en distritos arroja resultados diferentes si se utilizan los principios de gerrymandering, es decir, empaque y craqueo. Bajo la Distritación A, el número de distritos ganados por cada partido es proporcional al número de votantes para cada partido: 60% para verde y 40% para amarillo. La distritación B agrieta los recintos amarillos de una manera que permite que el verde domine todos los distritos, rindiendo 100% para verde y 0% para amarillo. La distritación C empaqueta y se agrieta en verde de una manera que permite que el amarillo emprenda una victoria molesta con tres distritos, que es el reverso de los patrones de votación subyacentes de los recintos.
Empaque y agrietamiento. En general, a nivel de recinto, hay proporcionalmente más votantes verdes que amarillos (60% vs. 40%). Tres formas diferentes de agrupar los recintos en distritos arrojan resultados diferentes. Bajo la Distritación A, el número de distritos ganados por cada partido es proporcional al número de votantes de cada partido. La distritación B agrieta los recintos amarillos de una manera que permite que el verde domine todos los distritos. Distritar paquetes C y grietas verdes de una manera que permite que el amarillo obtenga una victoria molesta con tres distritos. [15]
El gerrymandering está vivo y bien hoy. Se practica ampliamente en EU, como pueden ver algunos de los ejemplos más escandalosos de gerrymandering congresional en la siguiente figura. Este tipo de redistribución de distritos y redistribución puede tener consecuencias muy reales para las personas que viven en estas áreas, limitando su representación, protegiendo los escaños titulares y comprometiendo el acceso al financiamiento federal. Algunos han argumentado que la manipulación de gerrymandering es similar a la manipulación electoral legal.
Gerrymandering en Estados Unidos. Estos mapas muestran ejemplos de distritos gerrymandered en Estados Unidos; estos son solo algunos de muchos. El 12º distrito congresional de Carolina del Norte en 2016 fue un ejemplo de empaque, con residentes predominantemente afroamericanos (top). El cuarto distrito congresional de Illinois incluye dos áreas hispanas mientras cumple con el requisito de contigüidad que corre a lo largo de la Interestatal 294 (centro) El séptimo de Ohio es un ejemplo de “agrietamiento” donde la población urbana de Columbus, Ohio se divide en suburbios más conservadores. [16]
Para las poblaciones encarceladas y quienes viven en distritos donde se encuentran las cárceles, el gerrymandering puede tener un impacto aún mayor. Para entender cómo funciona el manejo de gerrymandering en prisión, tendrás que pensar en lo que aprendiste sobre cómo se recopilan, analizan y agregan los datos del censo. Para ciertas categorías de datos, la Oficina del Censo cuenta a las personas encarceladas como residentes de la localidad donde se encuentra su prisión, en lugar de la localidad donde residían antes de su encarcelamiento. Debido a que los datos censales se utilizan actualmente para la redistribución de distritos en todos los niveles de gobierno federal, estatal y local, las ciudades particulares y las secciones censales donde se cuentan las personas es muy importante para garantizar la representación y distribución.
En EU, la población carcelaria ha aumentado significativamente en las últimas décadas. Los defensores de poner fin a los gerrymandering basados en prisión argumentan que contar a los presos en función de su ubicación de encarcelamiento, particularmente cuando se les impide votar en 48 estados a esos presos, le da un poder político exponencial a la pequeña población no encarcelada de la zona, y a sus representantes. Cuando esto sucede, argumentan los defensores, la práctica desvía la representación política y el financiamiento de otros distritos del estado, particularmente aquellos distritos que soportan los mayores costos de la delincuencia.
La dinámica de gerrymandering penitenciario es evidente en los mapas censales existentes. Volvamos a los mapas de ingresos y educación del área de Los Ángeles que encontraste en el capítulo 6. La siguiente figura contiene detalles sobre el Tracto Censo del Condado de Los Ángeles 2060.20. El mapa nos muestra que los ingresos y la educación no están correlacionados en esta área. Al observar los datos, vemos que sólo 5.328% de la población en este tracto tiene una licenciatura, pero 91.453% tiene ingresos anuales de $75,000+. Sólo cuando cavamos un poco más profundo este tramo en particular comienza a tener un poco más de sentido. El Tracto Censo 2060.20 es el hogar del Centro Correccional de Torres Gemelas y la Cárcel Central Varonil. El ACS y el censo actualmente tabulan a todos los presos que viven en las Torres Gemelas y en la cárcel Central Varonil como residentes, y toma en cuenta su nivel educativo. Sin embargo, el censo no incluye a las poblaciones encarceladas en los cálculos de ingresos familiares o pobreza, por lo que el mapa de la derecha sólo toma en cuenta los ingresos de la comunidad circundante. Se puede ver cómo este tipo de método de recolección de datos podría dificultar la contabilización adecuada de la población, asegurar una representación razonable y administrar las apropiaciones en las comunidades carcelarias, así como en las comunidades de las que provienen las poblaciones encarceladas.
Gerrymandering penitenciario. Este detalle de Tracto Censal 2060.20 muestra ingresos y educación (Izquierda: Ingresos Más de $75.000; Derecha: Educación Licenciatura o Más). Estos mapas nos muestran que los ingresos y la educación no están correlacionados en esta área. [17]
7.2.2 Mentiras geopolíticas: Territorios impugnados
Hay otro tipo de mentiras que tienen más que ver con navegar por las complejidades de la geopolítica internacional. Por ejemplo, en muchas partes del mundo hay territorios que se disputan entre dos o más estados. Dependiendo de las consideraciones políticas del cartógrafo y de la audiencia, los mapas regionales pueden representar estos territorios de manera muy diferente. Jammu y Cachemira es un territorio en la región noroeste del sur de Asia a lo largo de las fronteras de India, Pakistán y China. Desde que la partición de 1947 de la India británica creó los estados contemporáneos de India y Pakistán, los dos países han estado inmersos en una disputa territorial sobre la región. Jammu y Cachemira son geopolíticamente significativos, y son la fuente del río Indo y sus afluentes, que sustentan los suministros de agua de la India y Pakistán.
Situando Cachemira. Jammu y Cachemira es un territorio en la región noroeste del sur de Asia a lo largo de las fronteras de India, Pakistán y China. [18]
India y Pakistán reclaman Jammu y Cachemira. La siguiente figura muestra cómo las imágenes de Google Maps de la región aparecen de manera diferente ya sea que la búsqueda se realice en EU (que considera que las reivindicaciones territoriales de los dos estados sobre Jammu y Cachemira están inresueltas) o India (que reafirma su reclamo a Jammu y Cachemira en el mapa).
Cachemira impugnada. Google Maps mostrará la región de Cachemira disputada de manera diferente dependiendo de si el usuario se encuentra en Estados Unidos o India. [19]
Diferentes organizaciones mediáticas también han favorecido distintas representaciones de Jammu y Cachemira, como se ve a continuación.
Cachemira en las noticias. Representaciones mediáticas en competencia de Cachemira. Diferentes organizaciones mediáticas favorecen diferentes representaciones de Jammu y Cachemira. [20]
7.2.3 Mentiras comerciales: Publicidad
En 2009, AT&T presentó una demanda en un tribunal federal contra Verizon. ¿La denuncia? AT&T alegó que una campaña publicitaria de Verizon con mapas de cobertura del servicio de datos celulares 3G de cada compañía tergiversó el alcance real del servicio móvil de AT&T y engañó a los clientes. AT&T demandó a Verizon por un “mapa mentiroso”. A AT&T le preocupaba que el mapa hiciera pensar a los clientes que toda su red inalámbrica se reflejaba en el mapa irregular de abajo, mientras que Verizon sostuvo que el mapa reflejaba con precisión las diferencias entre las redes 3G de los dos operadores. AT&T dejó caer la demanda aproximadamente un mes después de que se presentó, pero plantea algunas preguntas importantes sobre los mapas mentirosos en la publicidad.
Competencia de mentir. AT&T alegó que una campaña publicitaria de Verizon “Hay un mapa para eso” presentaba mapas de cobertura del servicio de datos celulares de cada operador que tergiversaban el alcance real del servicio móvil de AT&T y engañaban a los clientes. [21]
Para los proveedores de servicios móviles, los mapas que demuestran una amplia cobertura son cada vez más importantes a medida que compañías como Verizon y AT&T compiten por acciones más grandes del mercado. Sin embargo, muchos consumidores han expresado su frustración por lo que perciben como mapas de cobertura inexactos en los materiales publicitarios de los proveedores de servicios de telefonía móvil. En los últimos años, una serie de aplicaciones y sitios web han aparecido para obtener datos de cobertura de teléfonos móviles de múltiples fuentes en Estados Unidos y pintan una imagen más precisa de la cobertura de la red móvil. La siguiente figura muestra un mapa de fuentes múltiples de uno de esos sitios, OpenSignal.com.
Mapeo abierto. Este mapa de cobertura de redes móviles de origen masivo de OpenSignal.com es posiblemente menos sesgado que los ofrecidos por las empresas porque las firmas tienen un interés personal en hacer que su producto parezca mejor que las ofertas de la competencia. [22]
7.3 Conclusión
Al hacer mapas, decimos muchas mentiras. Las mentiras pequeñas incluyen todo tipo de estrategias cartográficas estándar, incluyendo proyección, simbolización, estandarización, clasificación, agregación y zonificación. Luego están los otros tipos de mentiras: gerrymandering, mapas de propaganda, mapas que impulsan una perspectiva política particular y mapas publicitarios engañosos. Como lector crítico de mapas y creador de mapas, es imperativo que seas capaz de identificar y comprender las formas en que se encuentran los mapas.
Recursos
Para más información sobre mentir con mapas:
- Mark Monmonier. 1996. Cómo mentir con mapas (Prensa de la Universidad de Chicago)
- Presos del Censo:
Para más perspectivas sobre gerrymandering:
- Michael Hiltzik, “Un intento gerrymandering que salió hilarantemente mal”, Los Angeles Times (31 de agosto de 2015).
- Christopher Ingraham, “Los distritos congresionales más gerrymandered de Estados Unidos”, Washington Post (15 de mayo de 2014).
- John Sides & Eric McGhee, “Gerrymandering Isn not Evil: Why Independent redistricting no nos salvará del bloqueo político”, Politico (30 de junio de 2015).
- Christopher Ingraham, “Cómo robar una elección: una guía visual”, Washington Post (1 de marzo de 2015).
- CC BY-SA 3.0. Adaptado de Daniel R. Strebe - Obra propia.n https://commons.wikimedia.org/w/inde...curid=16115242.
- CC BY-NC-SA 4.0. Steven M. Manson, 2015
- CC BY-NC-ND 4.0. Benjamin D. Hennig Mapper.org
- CC BY-NC-SA 4.0. Steven Manson 2005 Datos de SocialExplorer y Censo de Estados Unidos
- CC BY-NC-SA 4.0. Steven Manson 2005. Datos de SocialExplorer y Censo de EE. UU.
- CC BY-NC-SA 4.0. Steven Manson 2005 Datos de SocialExplorer y Censo de Estados Unidos
- CC BY-NC-SA 4.0. Sara Nelson 2015
- CC POR 2.0. M.E.J. Newman. 2012 Mapas de los resultados de las elecciones presidenciales de Estados Unidos de 2012. http://www-personal.umich.edu/~mejn/election/2012/
- CC POR 2.0. M.E.J. Newman. 2012 Mapas de los resultados de las elecciones presidenciales de Estados Unidos de 2012. http://www-personal.umich.edu/~mejn/election/2012/
- CC POR 2.0. Parenteau, M. P., & Sawada, M. C. (2011). El problema de unidad de área modificable (MAUP) en la relación entre la exposición al NO 2 y la salud respiratoria. Revista internacional de geografía de la salud, 10 (1), 58. https://ij-healthgeographics.biomedc...476-072X-10-58
- CC BY-SA 3.0. Adaptado de Anthony C. Robinson. Mapas y la Revolución Geoespacial https://www.e-education.psu.edu/maps/l4_p4.html
- CC BY-SA 3.0. Adaptado de Anthony C. Robinson Maps y la Revolución Geoespacial. https://www.e-education.psu.edu/maps/l4_p4.html
- CC BY-SA 3.0. Adaptado de Anthony C. Robinson. Los mapas y la revolución geoespacial. https://www.e-education.psu.edu/maps/l4_p4.html
- Dominio público. Por Elkanah Tisdale (1771-1835) Publicado originalmente en el Boston Centinel, 1812. commons.wikimedia.org/w/inde...? curid=6030613
- CC BY-SA 4.0. Adpated from Steven Nass - Commons.wikimedia.org/wiki/F... ymandering.svg, commons.wikimedia.org/w/inde... curid=60129008
- Dominio público. Adaptado de nationalatlas.gov. Accedido 2013.
- CC BY-NC-SA 4.0. Sara Nelson y Steven Manson 2015
- Dominio público. CIA y U de Texas http://www.lib.utexas.edu/maps/middl...egion_2004.jpg, commons.wikimedia.org/w/inde... p? curid=618641
- CC BY-NC-SA 4.0. Sara Nelson y Steven Manson 2015
- Uso justo. Steven Manson 2015 Mapas de bbc.com, foxnews.com, cnn.com
- Uso justo. Steven Manson 2015
- CC BY-NC-SA 4.0. Steven Manson 2015