Słownik metodologiczny · Ludzie statystyki

Edward Tufte (ur. 1942) – autor zasad dobrego wykresu

Edward Tufte, politolog i statystyk z Princeton i Yale, w 1983 r. sam wydał „The Visual Display of Quantitative Information”, książkę, która spopularyzowała pojęcia chartjunk i proporcji tuszu danych. Pokazujemy jego drogę, spory wokół minimalizmu i ten sam wykres z ozdobnikami i bez nich – z tuszem policzonym w R.

Strona główna / Słownik / Edward Tufte
W skrócie: Edward Tufte (ur. 1942) – amerykański politolog i statystyk, wykładowca Princeton i Yale, autor wydanej własnym sumptem książki „The Visual Display of Quantitative Information” (1983), która spopularyzowała pojęcia proporcji tuszu danych (data-ink ratio) i chartjunk, a później sparklines.

Kim jest Edward Tufte?

Edward R. Tufte (ur. 1942) to amerykański politolog i statystyk, znany przede wszystkim jako autor zasad projektowania wykresów. Studiował statystykę na Uniwersytecie Stanforda, a doktorat z nauk politycznych uzyskał w Yale. Od 1967 r. uczył w Princeton, a w latach 1977–1999 w Yale, gdzie prowadził zajęcia z nauk politycznych i statystyki (Yaffa, 2011).

Szerszej publiczności dał się poznać w 1983 r. książką The Visual Display of Quantitative Information, wydaną przez własne wydawnictwo Graphics Press (Tufte, 1983). Potem ukazały się m.in. Envisioning Information (1990) i Beautiful Evidence (Tufte, 2006), a jego jednodniowe kursy prezentowania danych przyciągnęły do 2011 r. ponad 190 tys. osób. W marcu 2010 r. został społecznym doradcą federalnej rady, która nadzorowała przejrzystość wydatków z amerykańskiego pakietu stymulacyjnego (Yaffa, 2011).

Najważniejsze pomysły

  • Proporcja tuszu danych. To stosunek tuszu, który pokazuje dane, do całego tuszu w rysunku. Im wyższa, tym lepiej – większość tuszu nie-danych da się usunąć bez straty informacji (Midway, 2020).
  • Chartjunk. Tak Tufte nazwał elementy, które nie mówią nic nowego o danych: nadmiar kolorów i etykiet, kolorowe tło, zbędne linie siatki. W jego ujęciu to tusz nie-danych albo nadmiarowy tusz danych (Rougier i in., 2014).
  • Małe wielokrotności i sparklines. Seria małych wykresów na wspólnych osiach – małe wielokrotności – i sparklines, drobne wykresy liniowe wielkości słowa, wplecione w tekst lub tabelę. Te drugie opisał w Beautiful Evidence (Tufte, 2006); pojawiły się potem m.in. w serwisach finansowych i w Excelu (Yaffa, 2011).
  • Styl poznawczy PowerPointa. W eseju o slajdach NASA policzył, że wykresy na nich pokazywały średnio dwanaście liczb. Komisja badająca katastrofę promu Columbia przywołała jego analizę w raporcie z sierpnia 2003 r. (Yaffa, 2011).

Ciekawostka

Książka na hipotekę. Według reportażu Yaffy (2011) wydawcy, którym Tufte pokazał rękopis, chcieli przeprojektować wiele stron i widzieli w nim niszowy tytuł na kilka tysięcy egzemplarzy. Tufte wziął więc drugą hipotekę na dom, oprocentowaną na 18%, i wydał książkę sam, razem z projektantem Howardem Grallą. Drukarni kazał oprawić tylko połowę pierwszego nakładu 5000 egzemplarzy.

Książka ukazała się w kwietniu 1983 r. i do 2011 r. doczekała się dwudziestego dodruku. Sam Tufte mówił, że wydawanie na własną rękę pozwoliło mu na niezwykłą drobiazgowość w dopracowaniu każdej strony (Yaffa, 2011).

Przykład na historycznych danych

Zbiór VADeaths z pakietu datasets to roczne współczynniki zgonów na 1000 osób w Wirginii w 1940 r., w pięciu grupach wieku od 50–54 do 70–74 lat i czterech grupach ludności: wieś i miasto, mężczyźni i kobiety; plik pomocy podaje jako źródło artykuł L. Molyneaux, S. K. Gilliam i L. C. Florant w American Sociological Review z 1947 r. Narysowaliśmy je dwa razy: jako wykres słupkowy z typowymi ozdobnikami – szarym tłem, gęstą siatką, ramkami, legendą w ramce i wartością nad każdym słupkiem – oraz jako wykres liniowy z podpisami przy liniach, bez siatki i tła.

Tusz policzyliśmy z pikseli: każdy wykres wydrukowaliśmy do pliku PNG dwa razy w tym samym układzie – w całości i z tuszem nie-danych zamalowanym na biało. Proporcja tuszu danych wzrosła z 0.36 do 0.50. Ważniejsze jest jednak co innego: wersja z ozdobnikami zużywa 12.3 razy więcej tuszu, a tuszu nie-danych – 15.6 razy więcej. Prosty wykres pokazuje przy tym coś, co w gąszczu słupków ginie: w każdej grupie wieku najwięcej zgonów jest wśród mężczyzn w mieście (od 15.4 do 71.1 na 1000), a krzywe kobiet ze wsi i z miasta niemal się pokrywają.

Na rysunku

Pozioma oś czasu od 1935 do 2017 z dziewięcioma zdarzeniami: 1942 urodził się; 1967 zaczyna uczyć w Princeton; 1977 przechodzi do Yale (nauki polityczne i statystyka); kwiecień 1983 The Visual Display of Quantitative Information, wydanie własne; 1990 Envisioning Information; 1999 kończy etat w Yale; sierpień 2003 raport o katastrofie promu Columbia cytuje jego analizę; 2006 Beautiful Evidence (sparklines); marzec 2010 doradca rady ds. przejrzystości wydatków federalnych. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – wpływ
Rysunek 1. Oś czasu: Edward Tufte (ur. 1942). Daty według Yaffy (2011) i katalogowych opisów książek (Tufte, 1983, 2006). Rysunek: R, pakiet ggplot2.

Co widać. Książki o grafice powstały, gdy Tufte był już profesorem z kilkunastoletnim stażem; późniejsze daty dotyczą wpływu jego prac na instytucje publiczne.

Na co uważać. Reportaż Yaffy (2011) datuje Beautiful Evidence na 2007 r., a opis katalogowy – na 2006 r.; podajemy rok z katalogu.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z pracy Edwarda Tufte’a (ur. 1942). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, wpływ).
Dwa panele z tymi samymi danymi o zgonach na 1000 osób w Wirginii w 1940 roku w pięciu grupach wieku. A, z ozdobnikami, proporcja tuszu danych 0.36: grupowany wykres słupkowy z czarnymi obrysami, szarym tłem, gęstą ciemną siatką, ramką wokół wykresu, legendą w ramce i liczbą nad każdym słupkiem; kolory pomarańczowy, żółty, granatowy i błękitny. B, bez ozdobników, proporcja 0.50: cztery linie z punktami, bez tła i siatki, z podpisami przy końcach linii; miasto mężczyźni (pomarańczowe pełne koła) najwyżej, od 15.4 do 71.1; wieś mężczyźni (żółte puste koła) niżej; miasto kobiety (granatowe pełne kwadraty) i wieś kobiety (błękitne puste kwadraty) najniżej i niemal się pokrywają, od około 8 do 50–54
Rysunek 2. Zgony na 1000 osób w Wirginii w 1940 r. według wieku i grupy ludności (zbiór VADeaths): ten sam wykres z ozdobnikami (A) i bez nich (B); w tytułach proporcja tuszu danych. Obliczenia i rysunek: R, pakiety ggplot2, patchwork i png (bez losowania).

Co widać. W wersji A oko błądzi między słupkami, legendą i liczbami; w wersji B od razu widać rosnące krzywe i kolejność grup.

Na co uważać. Nasza miara tuszu to przybliżenie: liczy zaczernienie pikseli przy jednej rozdzielczości, a etykiety osi i podpisy linii traktuje jak tusz nie-danych, choć są potrzebne. Dlatego proporcja w wersji B nie jest bliska 1, a pełne, kolorowe słupki podbijają proporcję w wersji A. Przejście od słupków do linii zmienia też formę wykresu, nie tylko usuwa ozdobniki. Rysunek 2 na stronie zostawiliśmy w motywie z kodu, bo ozdobniki są tu częścią przykładu.

Podpis do pracy:

Rysunek 2. Współczynnik zgonów na 1000 osób w Wirginii w 1940 r. według grupy wieku i grupy ludności: wykres słupkowy z ozdobnikami (A) i wykres liniowy bez ozdobników (B). Uwaga. Dane: zbiór VADeaths w R, za artykułem Molyneaux, Gilliam i Florant w American Sociological Review z 1947 r. W tytułach paneli – proporcja tuszu danych zmierzona z pikseli.

Gdzie spotkasz Tufte’a w swojej pracy

Zasady Tufte’a przydają się przy każdym rysunku do pracy:

Klasyków grafiki statystycznej, do których Tufte często wraca, przedstawiają hasła o Williamie Playfairze i Charlesie Josephie Minardzie.

Spory i trudne strony

  • Czy ozdobniki zawsze szkodzą? Bateman i in. (2010) porównali wykresy z rozbudowaną grafiką z prostymi: ozdobne opisywano równie trafnie, a po dwóch–trzech tygodniach zapamiętywano je istotnie lepiej. Autorzy nie zalecają ozdabiania wszystkich wykresów, ale ich wyniki podważają część przesłanek minimalizmu.
  • Kontekst ma znaczenie. Rougier i in. (2014) przypominają, że element, który w jednym wykresie jest ozdobnikiem, w innym bywa uzasadniony – np. szare tło, które zaznacza ważny zakres wartości.
  • Proporcja to nie cel sam w sobie. Nasz przykład pokazuje, że wysoka proporcja tuszu danych nie gwarantuje czytelności: liczy się, czy wykres odpowiada na pytanie badawcze.
Przykład reprodukowalny

Tusz danych w R

Kod wczytuje zbiór VADeaths, buduje dwie wersje wykresu – z ozdobnikami i bez nich – i mierzy tusz: każdą wersję drukuje do tymczasowego pliku PNG raz w całości, a raz z tuszem nie-danych zamalowanym na biało, i sumuje zaczernienie pikseli. Na końcu rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1); na stronie oś czasu dostała motyw serwisu, a rysunek 2 jest identyczny z wynikiem kodu. Kod nie losuje.

1. Z ozdobnikami i bez: rysunek 2

Dane wejściowe: zbiór VADeaths z pakietu datasets (zgony na 1000 osób rocznie w Wirginii w 1940 r., 5 grup wieku × 4 grupy ludności).

Co odczytać: dane; tusz całkowity, tusz danych i tusz nie-danych obu wersji (sumy zaczernienia pikseli przy 6 × 4.5 cala i 100 dpi) oraz proporcję tuszu danych; ile razy więcej tuszu zużywa wersja z ozdobnikami.

Kod R rysunku 2
# Edward Tufte: ten sam wykres z „ozdobnikami” (chartjunk) i bez nich; proporcja tuszu danych (data-ink ratio) liczona z pikseli
suppressPackageStartupMessages({library(ggplot2); library(patchwork); library(png)})
data(VADeaths, package = "datasets")             # zgony na 1000 osób rocznie, Wirginia, 1940
VADeaths
dane <- data.frame(wiek = rep(rownames(VADeaths), times = 4),
                   grupa = rep(c("wieś, mężczyźni", "wieś, kobiety", "miasto, mężczyźni", "miasto, kobiety"), each = 5),
                   zgony = as.vector(VADeaths))
dane$grupa <- factor(dane$grupa, levels = c("miasto, mężczyźni", "wieś, mężczyźni", "miasto, kobiety", "wieś, kobiety"))
kol <- c("miasto, mężczyźni" = "#D55E00", "wieś, mężczyźni" = "#E69F00",
         "miasto, kobiety" = "#0072B2", "wieś, kobiety" = "#56B4E9")   # Okabe–Ito
ksz <- c("miasto, mężczyźni" = 16, "wieś, mężczyźni" = 1, "miasto, kobiety" = 15, "wieś, kobiety" = 0)

# Każdy wykres ma argument nd: kolor tuszu „nie-danych” (tło, siatka, osie, opisy). nd = "white" zostawia sam tusz danych
przed <- function(nd = TRUE) {
  k <- function(x) if (isTRUE(nd)) x else "white"
  ggplot(dane, aes(wiek, zgony, fill = grupa)) +
    geom_col(position = position_dodge(0.85), width = 0.8, colour = "black", linewidth = 0.6) +
    geom_text(aes(label = sprintf("%.1f", zgony)), position = position_dodge(0.85), vjust = -0.4, size = 2.6,
              fontface = "bold", alpha = if (isTRUE(nd)) 1 else 0) +
    scale_fill_manual(values = kol, name = "Grupa") +
    labs(title = "A. Z ozdobnikami", x = "Wiek (lata)", y = "Zgony na 1000 osób") +
    theme_grey(base_size = 12) +
    theme(panel.background = element_rect(fill = k("grey80"), colour = k("black"), linewidth = 1.2),
          panel.grid.major = element_line(colour = k("grey35"), linewidth = 0.6),
          panel.grid.minor = element_line(colour = k("grey55"), linewidth = 0.4),
          plot.background = element_rect(fill = k("grey92"), colour = k("black"), linewidth = 1.5),
          legend.background = element_rect(fill = k("grey85"), colour = k("black")),
          legend.key = element_rect(fill = k("grey85"), colour = k("black")),
          legend.text = element_text(colour = k("black")), legend.title = element_text(colour = k("black"), face = "bold"),
          axis.text = element_text(colour = k("black")), axis.title = element_text(colour = k("black")),
          axis.ticks = element_line(colour = k("black")),
          plot.title = element_text(colour = k("black"), face = "bold"), legend.position = "bottom") +
    guides(fill = guide_legend(nrow = 2, override.aes = list(colour = k("black"), fill = if (isTRUE(nd)) kol else "white")))
}
po <- function(nd = TRUE) {
  k <- function(x) if (isTRUE(nd)) x else "white"
  koniec <- subset(dane, wiek == "70-74")
  ggplot(dane, aes(wiek, zgony, group = grupa, colour = grupa, shape = grupa)) +
    geom_line(linewidth = 1.1) +
    geom_point(size = 2.8, stroke = 1.1, fill = "white") +
    geom_text(data = koniec, aes(label = grupa), hjust = 0, nudge_x = 0.12, size = 3.1, colour = "grey20",
              alpha = if (isTRUE(nd)) 1 else 0,
              vjust = c(0.2, 1.3, -0.1, 0.9)[match(koniec$grupa, levels(dane$grupa))]) +
    scale_colour_manual(values = kol, guide = "none") +
    scale_shape_manual(values = ksz, guide = "none") +
    scale_x_discrete(expand = expansion(add = c(0.3, 2.4))) +
    scale_y_continuous(breaks = c(8.4, 20, 40, 60, 71.1), labels = c("8.4", "20", "40", "60", "71.1")) +
    labs(title = "B. Bez ozdobników", x = "Wiek (lata)", y = "Zgony na 1000 osób") +
    theme_minimal(base_size = 12) +
    theme(panel.grid = element_blank(), axis.line.y = element_line(colour = k("grey40")),
          axis.ticks = element_line(colour = k("grey40")),
          axis.text = element_text(colour = k("grey30")), axis.title = element_text(colour = k("grey30")),
          plot.title = element_text(colour = k("black"), face = "bold"),
          plot.background = element_rect(fill = "white", colour = NA))
}

# Tusz = suma „zaczernienia” pikseli (1 − jasność); wykres rysowany dwa razy w tym samym układzie:
# z całym tuszem i z tuszem nie-danych zamalowanym na biało
tusz <- function(wykres, szer = 6, wys = 4.5) {
  plik <- tempfile(fileext = ".png")
  png(plik, width = szer, height = wys, units = "in", res = 100, bg = "white")
  print(wykres); dev.off()
  obraz <- png::readPNG(plik)[, , 1:3]
  jasnosc <- 0.299 * obraz[, , 1] + 0.587 * obraz[, , 2] + 0.114 * obraz[, , 3]
  sum(1 - jasnosc)
}
wynik <- data.frame(wykres = c("A. z ozdobnikami", "B. bez ozdobników"),
                    tusz_caly = c(tusz(przed()), tusz(po())),
                    tusz_danych = c(tusz(przed(nd = FALSE)), tusz(po(nd = FALSE))))
wynik$tusz_nie_danych <- wynik$tusz_caly - wynik$tusz_danych
wynik$proporcja_tuszu_danych <- round(wynik$tusz_danych / wynik$tusz_caly, 2)
wynik[, 2:4] <- round(wynik[, 2:4])
wynik
round(c(tusz_caly_A_do_B = wynik$tusz_caly[1] / wynik$tusz_caly[2],
        tusz_nie_danych_A_do_B = wynik$tusz_nie_danych[1] / wynik$tusz_nie_danych[2]), 1)   # ile razy więcej tuszu zużywa wersja A

# Rysunek 2: obie wersje obok siebie (w tytułach – proporcja tuszu danych)
pA <- przed() + labs(title = sprintf("A. Z ozdobnikami: %.2f", wynik$proporcja_tuszu_danych[1]))
pB <- po() + labs(title = sprintf("B. Bez ozdobników: %.2f", wynik$proporcja_tuszu_danych[2]))
p2 <- pA + pB + plot_layout(widths = c(1, 1))
p2
Wynik w R
      Rural Male Rural Female Urban Male Urban Female
50-54       11.7          8.7       15.4          8.4
55-59       18.1         11.7       24.3         13.6
60-64       26.9         20.3       37.0         19.3
65-69       41.0         30.9       54.6         35.1
70-74       66.0         54.3       71.1         50.0
             wykres tusz_caly tusz_danych tusz_nie_danych
1  A. z ozdobnikami     84599       30581           54018
2 B. bez ozdobników      6894        3440            3454
  proporcja_tuszu_danych
1                   0.36
2                   0.50
      tusz_caly_A_do_B tusz_nie_danych_A_do_B 
                  12.3                   15.6 

2. Oś czasu: rysunek 1

Dane wejściowe: dziewięć zdarzeń z datami według cytowanych źródeł, wpisanych ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Edward Tufte (ur. 1942) – daty według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1942, 1967, 1977, 1983.3, 1990, 1999, 2003.6, 2006, 2010.2),
  etykieta = c("1942", "1967", "1977", "IV 1983", "1990", "1999", "VIII 2003", "2006", "III 2010"),
  opis = c("urodził się", "zaczyna uczyć\nw Princeton", "przechodzi do Yale\n(nauki polityczne\ni statystyka)",
           "„The Visual Display\nof Quantitative\nInformation” (wyd. własne)", "„Envisioning\nInformation”",
           "kończy etat\nw Yale", "raport o katastrofie\npromu Columbia\ncytuje jego analizę",
           "„Beautiful Evidence”\n(sparklines)", "doradca rady\nds. przejrzystości\nwydatków federalnych"),
  rodzaj = c("życie", "praca", "praca", "publikacja", "publikacja", "praca", "wpływ", "publikacja", "wpływ"))
zdarzenia$strona     <- c(1, -1, 1, -1, 1, -1, 1, -1, 1)
zdarzenia$poziom     <- c(0.6, 0.6, 0.6, 0.6, 1.5, 1.5, 0.6, 0.6, 1.5)
zdarzenia$wyrownanie <- c(0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.6)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "wpływ" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "wpływ" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom * strona), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
  geom_text(aes(y = (poziom + 0.07) * strona, label = paste0(etykieta, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie),
            size = 3.3, lineheight = 0.9) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1935, 2017), breaks = seq(1940, 2010, by = 10)) +
  scale_y_continuous(limits = c(-2.4, 2.6)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (zapis PNG – png() z pakietu grDevices, odczyt pikseli – readPNG() z pakietu png; rysunki – pakiety ggplot2 i patchwork). Wynik pomiaru tuszu może się nieznacznie różnić przy innym systemie lub zestawie czcionek. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  4. png (wersja 0.1.9): Urbanek, S. (2026). png: Read and write PNG images [R package]. https://doi.org/10.32614/CRAN.package.png

Najczęstsze pytania

Kim jest Edward Tufte?

Amerykańskim politologiem i statystykiem (ur. 1942), który uczył w Princeton od 1967 r., a w latach 1977–1999 w Yale. Napisał i sam wydał książki o grafice statystycznej, z których pierwsza, „The Visual Display of Quantitative Information”, ukazała się w 1983 r. (Yaffa, 2011).

Co to jest chartjunk?

Termin Tufte’a (1983) na elementy wykresu, które nie dodają informacji albo wprowadzają zamęt: nadmiar kolorów i etykiet, kolorowe tło, zbędne linie siatki. Według Tufte’a to tusz nie-danych albo nadmiarowy tusz danych (Rougier i in., 2014).

Co to jest proporcja tuszu danych (data-ink ratio)?

Stosunek tuszu, który pokazuje dane, do całego tuszu użytego w rysunku. Tufte radził, by był jak najwyższy, czyli by usuwać tusz, który niczego nie mówi o danych (Midway, 2020). W naszym przykładzie wzrósł z 0.36 do 0.50.

Czy wykres z ozdobnikami jest zawsze gorszy?

Nie zawsze. W eksperymencie Batemana i in. (2010) wykresy z rozbudowaną grafiką odczytywano równie trafnie jak proste, a po dwóch–trzech tygodniach zapamiętywano je lepiej. W pracy naukowej, gdzie liczy się precyzja odczytu, nadal wybierz prosty wykres.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bateman, S., Mandryk, R. L., Gutwin, C., Genest, A., McDine, D., & Brooks, C. (2010). Useful junk? The effects of visual embellishment on comprehension and memorability of charts. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI ’10) (pp. 2573–2582). ACM. https://doi.org/10.1145/1753326.1753716
  2. Midway, S. R. (2020). Principles of effective data visualization. Patterns, 1(9), Article 100141. https://doi.org/10.1016/j.patter.2020.100141 ● Otwarty dostęp
  3. Rougier, N. P., Droettboom, M., & Bourne, P. E. (2014). Ten simple rules for better figures. PLoS Computational Biology, 10(9), Article e1003833. https://doi.org/10.1371/journal.pcbi.1003833 ● Otwarty dostęp
  4. Tufte, E. R. (1983). The visual display of quantitative information. Graphics Press.
  5. Tufte, E. R. (2006). Beautiful evidence. Graphics Press.
  6. Yaffa, J. (2011). The information sage. Washington Monthly. https://washingtonmonthly.com/magazine/mayjune-2011/the-information-sage ● Otwarty dostęp

Cytowania BibTeX

@inproceedings{bateman2010useful, author={Bateman, Scott and Mandryk, Regan L. and Gutwin, Carl and Genest, Aaron and McDine, David and Brooks, Christopher}, title={{Useful junk? The effects of visual embellishment on comprehension and memorability of charts}}, booktitle={Proceedings of the SIGCHI Conference on Human Factors in Computing Systems (CHI ’10)}, year={2010}, pages={2573--2582}, publisher={ACM}, doi={10.1145/1753326.1753716}}
@article{midway2020principles, author={Midway, Stephen R.}, title={{Principles of effective data visualization}}, journal={Patterns}, year={2020}, volume={1}, number={9}, eid={100141}, doi={10.1016/j.patter.2020.100141}}
@article{rougier2014ten, author={Rougier, Nicolas P. and Droettboom, Michael and Bourne, Philip E.}, title={{Ten simple rules for better figures}}, journal={PLoS Computational Biology}, year={2014}, volume={10}, number={9}, eid={e1003833}, doi={10.1371/journal.pcbi.1003833}}
@book{tufte1983visual, author={Tufte, Edward R.}, title={{The visual display of quantitative information}}, year={1983}, publisher={Graphics Press}}
@book{tufte2006beautiful, author={Tufte, Edward R.}, title={{Beautiful evidence}}, year={2006}, publisher={Graphics Press}}
@misc{yaffa2011information, author={Yaffa, Joshua}, title={{The information sage}}, howpublished={Washington Monthly}, year={2011}, publisher={Washington Monthly}, url={https://washingtonmonthly.com/magazine/mayjune-2011/the-information-sage}}
R