Leer e interpretar estadísticas en noticias

Objetivo didáctico

Al terminar esta ficha serás capaz de analizar críticamente estadísticas presentadas en noticias, identificando sesgos, problemas de representación gráfica y muestreo, diferencias entre porcentajes relativos y absolutos, y selección interesada de datos antes de aceptar una conclusión.

Introducción

Las estadísticas tienen una ventaja comunicativa enorme: condensan realidades complejas en cifras breves. Una noticia puede resumir miles de observaciones mediante un promedio, un porcentaje o una gráfica que se comprende en pocos segundos. Esa capacidad de síntesis es útil, pero crea también una vulnerabilidad: cuanto más comprimida llega la información, más contexto puede quedar fuera.

El problema no consiste únicamente en estadísticas falsas. Muchas formas de desinformación numérica utilizan cifras auténticas. Una muestra puede existir pero no representar bien a la población; un aumento puede ser correcto pero parecer enorme porque se expresa en términos relativos; una gráfica puede contener los valores reales pero deformar visualmente sus diferencias.

Esta competencia es especialmente importante en noticias porque los titulares compiten por atención. Expresiones como “se dispara”, “cae drásticamente”, “la mayoría piensa” o “el riesgo se duplica” pueden ser razonables, exageradas o insuficientes dependiendo de los números que existan detrás.

La estrategia central será sencilla: reconstruir el dato. Cada vez que encuentres una estadística importante, intenta recuperar la población, la muestra, los valores originales, el periodo observado y la representación utilizada. Si alguna pieza falta, sabes exactamente qué preguntar.

Desarrollo del tema

Sesgos estadísticos: cuando los datos muestran solo una parte

Un sesgo es una desviación sistemática que empuja los resultados en determinada dirección. Puede aparecer al elegir quién participa, al formular una pregunta, al excluir observaciones, al decidir qué periodo mostrar o al presentar una medida que favorece determinada interpretación. No todo sesgo es intencional: también puede surgir por un diseño deficiente.

Imagina una noticia titulada “8 de cada 10 usuarios aprueban el nuevo servicio”. La cifra parece contundente, pero cambia de significado si descubrimos que las personas encuestadas fueron únicamente quienes utilizaban voluntariamente una aplicación relacionada con el servicio. El porcentaje describe a quienes respondieron; el problema aparece si se presenta como representación automática de toda la población.

En 1954, Darrell Huff publicó How to Lie with Statistics, una obra de divulgación que popularizó entre lectores no especialistas problemas como muestras sesgadas, promedios mal interpretados y gráficas capaces de exagerar diferencias. La tecnología de publicación cambió radicalmente desde entonces, pero las preguntas básicas siguen siendo reconocibles.

Al leer una noticia mexicana o latinoamericana, una práctica útil es separar tres niveles: qué observaron realmente los datos, qué inferencia hizo el estudio y qué afirmación convirtió el medio en titular. Los tres niveles pueden parecer equivalentes, pero no necesariamente lo son.

Gráficas engañosas: una escala puede cambiar la historia visual

Supón que un indicador pasa de 100 a 105. Matemáticamente aumentó 5%. Si una gráfica de barras comienza en cero, la diferencia visual será moderada. Si el eje vertical empieza en 99, la barra correspondiente a 105 puede parecer varias veces más alta que la de 100, aunque los datos no hayan cambiado.

Esto es especialmente delicado en gráficas de barras porque su longitud visual suele representar magnitud. Pero no existe una regla de “eje cero” que pueda aplicarse mecánicamente a toda visualización: en una gráfica de líneas utilizada para estudiar pequeñas variaciones, acercar la escala puede ser informativo. La pregunta es si la escala ayuda a analizar la variación o intenta producir una impresión desproporcionada.

También pueden engañar las áreas y figuras. Si una cantidad se duplica y el dibujo que la representa duplica simultáneamente ancho y alto, su área se vuelve cuatro veces mayor. El lector percibe entonces una diferencia visual mucho más grande que la diferencia numérica.

Antes de aceptar el mensaje de una gráfica, busca cuatro elementos: inicio y final de los ejes, unidades, intervalos y fuente. Después compara la magnitud visual con la magnitud numérica. Si la imagen parece gritar “cambio enorme” mientras los números muestran una variación pequeña, hay algo que revisar.

Tamaño de muestra: más respuestas ayudan, pero no arreglan una mala selección

El tamaño de muestra influye en la precisión de una estimación, pero no determina por sí mismo si una encuesta es representativa. Bajo un modelo simplificado de muestreo aleatorio para estimar una proporción cercana a 50%, una muestra de 100 personas produce aproximadamente un margen de muestreo de ±9.8 puntos porcentuales al 95% de confianza; con 1,000 personas, baja aproximadamente a ±3.1 puntos.

El salto de 100 a 1,000 casos mejora considerablemente la precisión. Sin embargo, entrevistar 100,000 personas del grupo equivocado no soluciona un problema de cobertura. Si una noticia pregunta por hábitos de toda una ciudad pero recoge respuestas únicamente mediante una plataforma utilizada sobre todo por jóvenes, el gran número de participantes no garantiza representación.

También importa la no respuesta. Si determinadas personas seleccionadas tienen menor probabilidad de contestar y sus características se relacionan con el tema investigado, los resultados pueden desplazarse. Por eso una buena noticia sobre encuestas debería permitir identificar la población objetivo, el tamaño de muestra y, de ser posible, cómo se seleccionaron los participantes.

En la práctica, las encuestas profesionales pueden utilizar diseños más complejos que una muestra aleatoria simple. Por eso el margen publicado por una institución debe interpretarse dentro de su metodología y no reconstruirse automáticamente con una fórmula básica.

Porcentajes relativos y absolutos: el mismo cambio contado de dos maneras

Supón que la frecuencia de un evento pasa de 1% a 2%. En términos relativos, el valor se duplicó: hubo un aumento de 100%. En términos absolutos, el incremento fue de apenas 1 punto porcentual. Las dos afirmaciones son matemáticamente correctas, pero producen impresiones diferentes.

La diferencia se vuelve especialmente importante cuando el valor inicial es pequeño. Si una noticia afirma que cierto resultado “aumentó 50%”, necesitamos saber desde qué base. Pasar de 2 a 3 casos por cada 1,000 es un aumento relativo de 50%, pero el cambio absoluto es de 1 caso adicional por cada 1,000.

El problema inverso también ocurre. Una reducción de 20 puntos porcentuales no equivale siempre a una disminución relativa de 20%. Si un indicador baja de 50% a 30%, disminuyó 20 puntos porcentuales, pero en relación con su valor inicial cayó 40%.

Una lectura rigurosa intenta recuperar ambos formatos: valores originales y cambio relativo. En noticias económicas, sociales, educativas o de consumo, esta simple práctica evita que una cifra porcentual sin denominador adquiera más dramatismo del que realmente tienen los datos.

Cherry picking: elegir los datos que cuentan la historia conveniente

Cherry picking significa seleccionar únicamente los datos, periodos o comparaciones que favorecen una conclusión mientras se omite información relevante que podría modificarla. El dato elegido puede ser auténtico; el problema está en presentarlo como si representara toda la evidencia disponible.

Imagina un índice hipotético de uso de una biblioteca comunitaria durante cinco años: 100, 95, 92, 101 y 108. Si una noticia compara únicamente el tercer año con el quinto, puede anunciar un crecimiento de aproximadamente 17.4%. Si compara el primero con el quinto, el crecimiento total es 8%. Ambas operaciones son correctas: responden preguntas distintas.

Lo mismo ocurre al seleccionar regiones, grupos o categorías. Una empresa puede destacar el producto con mejor crecimiento e ignorar los demás; una institución puede elegir el año más desfavorable como punto inicial; una noticia puede mostrar solo dos meses de una serie larga. El lector crítico pregunta siempre: ¿por qué comienza y termina aquí la comparación?

Detectar cherry picking no significa asumir automáticamente mala intención. Un periodo corto puede ser legítimo si responde a una pregunta específica. La señal de alerta aparece cuando la conclusión se presenta como general pero depende de una selección estrecha que no se justifica.

Conclusión

Leer estadísticas en noticias no consiste en desconfiar de todos los números. Consiste en saber qué preguntas hacen que un número sea interpretable. Una muestra necesita una población de referencia; una gráfica necesita escalas visibles; un porcentaje necesita una base de comparación; una tendencia necesita un periodo justificable.

La diferencia entre una lectura rápida y una lectura estadística crítica puede resumirse en una pregunta: ¿qué tendría que saber para reconstruir esta afirmación? Si el titular habla de un aumento, busca el valor inicial y final. Si habla de “la mayoría”, busca quiénes fueron consultados. Si muestra una gráfica espectacular, mira primero sus ejes.

La alfabetización estadística no termina al detectar engaños. También ayuda a reconocer información bien presentada y a comunicar datos de manera justa. El siguiente desafío es todavía mayor: ¿cómo decidir cuándo una diferencia estadística es suficientemente importante para cambiar una decisión real?

Referencias

• Huff, D. (1954). How to lie with statistics. W. W. Norton.
• Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.
• Correll, M., Bertini, E., & Franconeri, S. (2020). Truncating the y-axis: Threat or menace? Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems.

Actividad de aprendizaje autónoma

Producto final: auditoría estadística de una noticia.

Busca una noticia reciente de México o América Latina que utilice al menos una cifra, porcentaje, encuesta o gráfica. No necesitas demostrar que la noticia es falsa. Tu tarea consiste en evaluar qué tan bien respaldada está la interpretación estadística que presenta.

1. Copia el titular y escribe la afirmación estadística central con tus propias palabras.
2. Identifica la fuente original de los datos si la noticia la proporciona.
3. Registra la población estudiada, el tamaño de muestra y el método de selección, cuando estén disponibles.
4. Si aparece una gráfica, revisa ejes, unidades, intervalos y periodo representado.
5. Si aparece un porcentaje de cambio, recupera los valores inicial y final y distingue cambio relativo de cambio absoluto.
6. Comprueba si el periodo, la región o los grupos elegidos podrían estar seleccionados para favorecer una interpretación.
7. Redacta un veredicto de 120 a 180 palabras: “bien sustentada”, “requiere contexto adicional” o “presentación potencialmente engañosa”. Justifica tu clasificación con al menos tres evidencias.

Completa estas cuatro ideas antes de escribir tu auditoría.

Evidencia de logro: tu auditoría estará completa cuando otra persona pueda distinguir claramente el dato original, la interpretación del medio, la calidad de la muestra, la forma de presentación y cualquier contexto que falte antes de aceptar la conclusión.