Gráficos que mienten

En 2012, Fox News emitió repetidamente gráficos de barras sobre la tasa de desempleo en Estados Unidos con el eje Y truncado, de modo que diferencias de unas décimas parecían desplomes. En uno de ellos, una bajada del 8,6% al 8,1% se veía como si el desempleo se hubiera reducido a la mitad. En 2011, un pie chart de una encuesta electoral irlandesa sumaba más de 100% — sin que nadie en la cadena editorial se diera cuenta antes de emitirlo. Y no son casos aislados: cada semana aparecen en prensa gráficos donde un crecimiento del 3% parece un 400%, donde las proporciones de un pastel no suman 100%, o donde el rango de fechas coincide mágicamente con la narrativa del presentador. Lo más incómodo: los números que aparecen en esos gráficos son correctos. Cada dato está donde debe. Y sin embargo, la historia que el lector entiende es falsa.

Ese es el tema de esta lección: gráficos que son técnicamente correctos — cada número está donde debe — pero que comunican una realidad distorsionada. No hablamos de manipulación malintencionada (aunque existe): hablamos de decisiones de diseño que cualquiera puede tomar sin mala fe y que cambian radicalmente lo que el lector entiende. El eje que empieza por donde no debe. La escala que comprime o estira. El rango de fechas que coincide mágicamente con tu argumento. El pastel con veinte porciones. Todos son gráficos «correctos». Ninguno es honesto.

Y aquí viene lo incómodo: tú, como analista, controlas cada una de esas decisiones. Cada vez que eliges dónde empieza un eje, qué rango de fechas muestras o si usas escala lineal o logarítmica, estás decidiendo qué historia cuenta tu gráfico. No hay opción neutra. Toda decisión de diseño es una decisión editorial. Esta lección te enseña a reconocer cuándo un gráfico engaña, a entender POR QUÉ engaña (la mecánica visual), y a tomar esas decisiones de forma deliberada y transparente — no por defecto.

### El eje Y truncado: el engaño más frecuente

De todos los trucos visuales, este es el más común y el más debatido. Consiste en no empezar el eje Y en cero, de modo que las diferencias entre valores parecen mucho mayores de lo que son en proporción. Imagínate que mides la temperatura en tu ciudad durante una semana: lunes 20 grados, martes 21 grados, miércoles 20,5 grados. Si el eje va de 0 a 40, las tres barras son prácticamente iguales — porque la diferencia real es mínima. Pero si el eje va de 19,5 a 21,5, de repente el martes parece el doble que el miércoles.

La mecánica del engaño es simple: el cerebro humano interpreta la ALTURA de una barra como la MAGNITUD del valor. Si una barra es el doble de alta que otra, tu cerebro entiende «el doble de grande». Pero si el eje empieza en 4,2 millones en vez de en cero, esa barra que es el doble de alta en realidad solo representa un 7% más. Tu sistema visual no hace la cuenta — reacciona a la proporción de tinta.

Ahora bien — y esto es lo que convierte el debate en interesante — no siempre empezar en cero es lo correcto. Si estás mostrando la evolución diaria de la temperatura en Madrid en enero (entre 2 y 12 grados), un eje de 0 a 100 haría que todo pareciese plano y la variación real (que es lo que importa) sería invisible. La regla no es «siempre empieza en cero». La regla es: para BARRAS, empieza en cero — porque la altura de la barra ES la métrica. Para LÍNEAS, puedes truncar — porque lo que importa es la pendiente, el cambio, no la altura absoluta.

1. 01.Gráfico de barras — SIEMPRE empieza en cero. La barra codifica magnitud absoluta con su altura. Una barra que empieza en 4,2M no representa visualmente 4,2M sino «la diferencia entre 4,2M y el valor».
2. 02.Gráfico de líneas — PUEDE truncarse si la variación es lo relevante. La pendiente de la línea no cambia al mover el eje. Pero si lo haces, señala con una marca visual (doble barra o discontinuidad) que el eje no empieza en cero.
3. 03.Truncar está justificado cuando la señal es real pero pequeña en proporción al valor absoluto. Ejemplo: la tasa de paro pasa del 12,3% al 12,8% — medio punto que afecta a 200.000 personas. Mostrar el eje de 0 a 100% borraría una señal importante.
4. 04.Truncar es manipulación cuando se hace para que un cambio trivial parezca dramático. Ejemplo: la satisfacción del cliente pasa de 4,51 a 4,53 en una escala de 5 y el gráfico lo presenta como un «salto espectacular».

### El doble eje Y: correlaciones que no existen

Dos líneas en el mismo gráfico. Una sube. La otra también sube. Conclusión visual inmediata: «están relacionadas». Pero cada línea tiene su propia escala en un eje Y distinto — una a la izquierda, otra a la derecha — y esas escalas están elegidas de forma que las líneas se crucen, se solapen o se muevan juntas. El resultado es una correlación visual que puede no existir en los datos.

Este truco es el favorito de los medios de comunicación para sugerir causalidad sin decirla explícitamente. El ejemplo clásico: «número de películas de Nicolas Cage estrenadas por año» frente a «personas ahogadas en piscinas por año». Puedes ajustar las dos escalas para que las líneas se solapen perfectamente. Visualmente parece obvio que una causa la otra. Estadísticamente es ruido. El doble eje te permite fabricar esa ilusión con CUALQUIER par de series que tengan tendencia similar.

La alternativa honesta al doble eje: normalizar ambas series a una base común (base 100, por ejemplo, donde el primer mes vale 100 y los siguientes representan el porcentaje de variación respecto a ese inicio) o presentar dos gráficos separados uno encima del otro, con el mismo eje X para que se puedan comparar visualmente sin forzar el solapamiento. Otra opción legítima: calcular la correlación real (Pearson o Spearman) y mostrar el número, en vez de dejar que el ojo la invente.

### La escala no lineal disfrazada

Imagina que te enseño un gráfico de líneas con la evolución de los casos de COVID-19 en 2020. La curva sube suave las primeras semanas y luego se dispara vertical. Parece que «de repente» la situación empeoró. Pero lo que estás viendo es un crecimiento exponencial representado en una escala lineal: la curva siempre subía al mismo ritmo porcentual (duplicándose cada pocos días), pero la escala lineal no puede representar eso sin que el principio parezca plano y el final parezca vertical.

La escala logarítmica resuelve esto: en ella, duplicarse siempre ocupa el mismo espacio vertical, así que un crecimiento exponencial se ve como una línea recta. Es la herramienta correcta para fenómenos multiplicativos. PERO — y aquí está el engaño — si la usas sin avisar, un crecimiento brutal parece manso. La misma serie de «1, 10, 100, 1.000, 10.000» ocupa en escala logarítmica cinco marcas equidistantes: parece una subida suave y constante. En escala lineal, es un cohete.

• ▹Escala logarítmica sin etiquetar — el lector asume que es lineal y subestima la magnitud del cambio. Un crecimiento de 100x parece una pendiente moderada.
• ▹Acumulado en vez de incremental — presentar el total acumulado de ingresos (que solo puede subir) en vez del ingreso mensual (que sube y baja). La curva acumulada siempre «crece», incluso si cada mes ganas menos que el anterior. Es técnicamente correcta, pero oculta la desaceleración.
• ▹La escala rota — un eje donde los tramos no son iguales: de 0 a 100, de 100 a 500, de 500 a 2.000. Cada salto de línea de cuadrícula es un factor distinto. Sin una marca visual que lo avise, el lector lee los espacios como proporcionales.

La regla: si usas una escala no lineal, etiquétala de forma visible. No basta con poner «log» en letra pequeña al pie — el título del eje debe decir «escala logarítmica» o las marcas del eje deben hacer evidente que no son equidistantes (1, 10, 100, 1.000 en vez de 0, 250, 500, 750, 1.000). El lector tiene que poder recalibrar su percepción ANTES de interpretar la forma de la curva.

### El gráfico de pastel: las distorsiones que no ves

El gráfico de pastel (o de tarta, o circular) tiene un problema de base: el ojo humano es MALO comparando ángulos y áreas. Podemos distinguir «esto es claramente más grande que aquello» cuando la diferencia es del 2x o más, pero cuando tienes seis porciones entre el 10% y el 20%, el pastel se convierte en un ejercicio de adivinanza. Añade a eso dos distorsiones que lo empeoran.

Primera: demasiados segmentos. Un pastel con tres porciones funciona. Con cinco, empieza a costar. Con diez o más, es ruido visual — no puedes distinguir porciones del 7% y del 9% por ángulo. La solución es agrupar las porciones pequeñas en «Otros» y usar un gráfico de barras horizontales si necesitas mostrar todas.

Segunda: la perspectiva 3D. El 3D inclina el pastel, lo que hace que las porciones de la parte de delante parezcan más grandes (están más cerca del «ojo» del lector) y las de detrás parezcan más pequeñas. Una porción del 20% en la parte frontal puede parecer del 30%, y una del 20% en la parte trasera puede parecer del 12%. Excel ofrece la opción 3D por defecto en muchos tipos de gráfico — es una decoración que introduce un error sistemático de percepción.

### Series temporales con periodos no equivalentes

Enero tiene 31 días. Febrero tiene 28 (o 29). Si comparas el total de ventas de enero con el total de febrero sin ajustar, enero gana un 10% solo por tener tres días más. No porque vendieras más — porque tuviste más tiempo. Es el equivalente a comparar la distancia que corren dos atletas cuando uno corrió 31 minutos y el otro 28. No es justo sin normalizar.

Este error aparece constantemente en dashboards (cuadros de mando) internos de empresa, porque la mayoría de herramientas agregan por mes sin avisar de la diferencia. El resultado: cada febrero parece un «mal mes» y cada marzo un «rebote», cuando en realidad lo único que ha cambiado es el número de días del período. Variantes del mismo problema: comparar una semana laboral de 5 días con una que tuvo un festivo (4 días), comparar un trimestre con 66 días laborables con otro que tuvo 62, o comparar el tráfico web de un lunes con el de un sábado.

La corrección es sencilla: normaliza por unidad de tiempo. En vez de «ventas de enero» vs «ventas de febrero», usa «ventas por día en enero» vs «ventas por día en febrero». O usa tasas: ingresos por día laborable, pedidos por hora de apertura, visitas por día de semana comparable. La comparación deja de estar contaminada por la longitud del periodo.

### El cherry-picking temporal: el rango que conviene

Cherry-picking (selección interesada) temporal es elegir el rango de fechas que hace que tu argumento se vea mejor. Si las ventas cayeron en enero pero subieron en febrero y marzo, puedo presentar «la tendencia de los últimos dos meses» (¡subimos!) u «la evolución desde enero» (aún no recuperamos). Ambos gráficos son correctos. Ambos cuentan historias opuestas. Y la elección del rango no está en los datos — está en la intención del presentador.

Las variantes más comunes: elegir un punto de inicio que fue un valle (para que todo lo posterior parezca crecimiento), comparar con un periodo excepcionalmente malo (para que el actual parezca bueno por contraste), o cortar la serie justo antes de un desplome. En 2021, muchas empresas comparaban sus métricas con 2020 — un año de pandemia donde todo se hundió. Obviamente todo parecía «récord histórico» en comparación. Era verdad. Era engañoso. Y quien tenía que tomar decisiones de inversión necesitaba el dato comparado con 2019, no con el año atípico.

El antídoto contra el cherry-picking temporal: mostrar SIEMPRE el rango más largo disponible como contexto (en gris, en segundo plano) y destacar el periodo de interés encima. Así el lector ve dónde empieza tu análisis DENTRO de la historia completa y puede juzgar si el rango elegido es representativo o está escogido para servir a una narrativa. Si tu argumento necesita un rango corto para sostenerse, probablemente tu argumento es débil.

### Casos reales famosos

Estos trucos no los hacen solo becarios despistados. Organizaciones de primer nivel los han usado — a veces por error, a veces por diseño — y el resultado ha influido en decisiones públicas. Veamos cuatro que se hicieron famosos.

1. 01.Fox News y el eje truncado (2012, 2014). La cadena de televisión presentó repetidamente gráficos de barras con el eje Y comenzando en el 34% o el 39%, haciendo que diferencias de 3-4 puntos porcentuales parecieran abismos. Un gráfico sobre la tasa de paro mostraba una bajada del 8,6% al 8,1% como si el desempleo se hubiera desplomado a la mitad. El mismo patrón se repitió en gráficos sobre tipos impositivos: una diferencia de 35% a 39,6% parecía un salto de uno a tres.
2. 02.Georgia Department of Public Health y los ejes desordenados (2020). En plena pandemia, el departamento de salud de Georgia publicó un gráfico de barras donde los días del eje X no estaban en orden cronológico. El efecto visual era una curva descendente — «los casos bajan». Pero si reordenabas las fechas correctamente, la tendencia era plana o incluso ascendente. No se truncó un eje: se reordenó. Técnicamente, cada barra tenía su etiqueta correcta. Visualmente, la historia era falsa.
3. 03.Apple y el acumulado de iPhones vendidos (2013). Tim Cook presentó un gráfico mostrando el «total acumulado de iPhones vendidos» — una curva que solo puede subir. Parece un crecimiento espectacular. Pero lo que importa a los inversores es el ritmo de ventas: cuántos se venden CADA trimestre. Y ese dato, en ese momento, se estaba desacelerando. El acumulado lo ocultaba.
4. 04.Vox y el cherry-picking temporal sobre violencia armada en EE.UU. (2015). Un artículo mostró el descenso de muertes por armas de fuego eligiendo como punto de inicio 1993, el pico histórico. Desde ahí, todo baja. Pero si empezabas en 2000, la tendencia era plana o incluso ligeramente ascendente. El punto de inicio determinaba si la conclusión era «el problema mejora» o «el problema persiste».

Ninguno de estos gráficos contenía un número falso. Cada etiqueta era correcta. Cada dato era verificable. Y sin embargo, cada uno contaba una historia que no existía en los datos. Esa es la diferencia entre un gráfico correcto y un gráfico honesto: lo correcto es que los números estén bien puestos; lo honesto es que la percepción visual del lector coincida con la realidad que los datos describen.

### La responsabilidad del analista

Aquí es donde la lección pasa de «detectar engaños ajenos» a «asumir tu propia responsabilidad». Porque tú no vas a ser siempre el detective — muchas veces serás quien produce el gráfico. Y cada vez que lo haces, tomas decisiones editoriales: dónde empieza el eje, qué rango de fechas muestras, si usas barras o líneas, si normalizas o no. Esas decisiones no son neutrales. Nunca lo son.

La tentación es real. Cuando tu stakeholder (la persona que espera tu análisis) tiene una hipótesis previa y tú tienes un gráfico que — con el rango adecuado — la confirma, hay una presión sutil por presentarlo así. No porque seas mala persona: porque decirle a un director que su hipótesis es incorrecta es incómodo, y el gráfico que «coincide» con su expectativa pasa más rápido, genera menos preguntas, evita el conflicto. Esa presión es exactamente donde se fabrica un gráfico engañoso sin mala intención.

Tu trabajo no es confirmar hipótesis. Tu trabajo es mostrar la realidad de forma que se entienda correctamente. Si el gráfico honesto contradice la hipótesis del director, tu obligación profesional es presentar el gráfico honesto Y explicar por qué contradice la expectativa. No al revés. Un analista que ajusta el gráfico a la conclusión deseada no está analizando — está decorando decisiones ya tomadas.

### El checklist antes de publicar un gráfico

No necesitas memorizar una lista de trucos. Necesitas desarrollar un instinto: cuando miras un gráfico — tuyo o ajeno — tu primer impulso debe ser mirar los ejes. Dónde empiezan. Si la escala es regular. Qué rango de fechas cubre. Si los periodos son comparables. Esas cinco preguntas del diagrama son el reflejo que te convierte en alguien que no se deja engañar y que no engaña a otros sin querer.