Iniciar prueba gratuita
Popular Nuevos Géneros Autores
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Buscando...
SoBrief
Cómo mentir con estadísticas

Cómo mentir con estadísticas

Título original: How to Lie with Statistics
Una encuesta a millones de personas predijo mal el resultado electoral. Descubre qué omiten todas las cifras de los titulares.
por Darrell Huff 1954 142 páginas
3.84
18.000+ valoraciones
Escuchar
Inmersivo
V2.3
Amazon Kindle Audible
Prueba el acceso completo por 3 días
¡Desbloquea la escucha y mucho más!
Continuar

Ideas clave

Una estadística solo es tan fiable como las decisiones que la produjeron.

La muestra deja huellas. Un informe situó en 25.111 dólares el ingreso medio de la promoción de Yale de 1924. Pero no podía incluir a todos los graduados: faltaban algunas direcciones y algunos exalumnos no respondieron el cuestionario. Quienes contestaron quizá estuvieran en mejor situación que quienes no lo hicieron, así que la cifra podía describir a los encuestados, no a toda la promoción.

Cuenta lo que se midió. La misma distinción aparece en el suegro de Darrell Huff, quien dedujo que en California había más delincuencia después de mudarse allí y leer un periódico que dedicaba más espacio a los delitos locales. Había medido la cobertura, no la delincuencia. Antes de aceptar una estadística, pregunta qué población o conducta representa en realidad.

Análisis

Lo llamativo es que los cálculos pueden ser impecables y, aun así, la conclusión no serlo. Los investigadores de encuestas llaman sesgo de falta de respuesta a una de las formas de este problema: quienes contestan pueden diferir sistemáticamente de quienes no lo hacen. Una muestra grande no resuelve automáticamente el problema, y la ponderación estadística no puede corregir de manera fiable diferencias que nunca se midieron. El hábito útil consiste en identificar primero al grupo que se quiere describir y luego preguntar quiénes están ausentes y si su ausencia podría cambiar el resultado.

Una encuesta enorme todavía puede representar a las personas equivocadas.

El tamaño no corrige la falta de cobertura. En 1936, la revista Literary Digest encuestó a millones de personas y pronosticó una victoria contundente de Alf Landon sobre Franklin Roosevelt. Ganó Roosevelt. La revista había extraído nombres de listas telefónicas y de suscriptores, que en aquella época incluían en exceso a personas con más dinero y sesgaban la muestra, alejándola del conjunto del electorado. Una encuesta puede ser gigantesca y, aun así, preguntar a una porción equivocada del público.

Las personas influyen en las respuestas. En otro estudio, las respuestas de personas negras de una ciudad del sur sobre las relaciones raciales variaban según si quienes las entrevistaban eran negros o blancos. La identidad del entrevistador, la formulación de las preguntas, el acceso a los encuestados y el deseo de estos de dar una respuesta aceptable pueden influir en los resultados. Una muestra no es simplemente un montón de personas. Es un proceso para llegar a ellas y hacerles preguntas.

Análisis

Esta distinción anticipa una idea central de la metodología de encuestas: el marco muestral determina quién puede aparecer en los datos. La selección aleatoria dentro de un marco defectuoso no lo vuelve representativo. Los efectos del entrevistador también muestran que la medición es interactiva, no pasiva. Las encuestas modernas pueden poner a prueba la formulación de las preguntas y los métodos de recopilación, pero no existe una visión sin fricciones de la opinión pública. Los resultados son respuestas producidas en condiciones particulares, no un acceso sin filtros a lo que piensa todo el mundo.

Nunca aceptes un promedio sin averiguar cuál es.

Tres promedios, tres relatos. La media suma todos los valores y los divide por la cantidad de valores. La mediana marca el punto medio: la mitad de los valores queda por encima y la otra mitad, por debajo. La moda es el valor más frecuente. Huff ilustra la diferencia con un barrio donde la mayoría de los hogares tiene ingresos modestos, pero unos cuantos residentes millonarios elevan la media a 15.000 dólares, mientras que la mediana es de apenas 3.500. Ambos números pueden estar bien calculados y, aun así, responder a preguntas distintas.

La asimetría cambia el panorama. Las distribuciones de ingresos suelen tener una cola larga hacia los valores altos, de modo que unos pocos ingresos muy elevados alejan la media de lo que gana la mayoría. En una variable aproximadamente simétrica, como la estatura de un grupo, los tres promedios pueden ser parecidos. Cuando un informe solo habla de un promedio, pregunta qué medida emplea y cómo es la distribución.

Análisis

La elección del promedio implica decidir qué se considera representativo. La media es útil para los totales y ciertas operaciones matemáticas, mientras que la mediana suele describir mejor a una persona típica en una distribución asimétrica. Ninguna de las dos es honesta ni deshonesta por naturaleza. Lo importante es que la medida se ajuste a la pregunta. Informar varios resúmenes o mostrar la distribución puede evitar que un único número conveniente ocupe el lugar de una población compleja.

Exige conocer el rango y la incertidumbre detrás de cada estimación pulida.

Una estimación puntual oculta la variación. Un tamaño familiar de 3,6 personas parece un modelo natural para construir viviendas, pero Huff señala que las familias de tres o cuatro miembros representaban apenas el 45 por ciento de los hogares en las cifras que cita. El 35 por ciento tenía uno o dos miembros, y el 20 por ciento, más de cuatro. Construir principalmente para la familia promedio dejaba de lado a la mayoría de los hogares.

Los estudios pequeños pueden no ser concluyentes. En una prueba de una vacuna contra la poliomielitis participaron 450 niños vacunados y 680 controles, pero no hubo ningún caso en ninguno de los dos grupos durante el periodo de observación. A la tasa habitual, se esperaban apenas unos dos casos entre ambos grupos, demasiado pocos para juzgar la vacuna. Un resultado necesita contexto: el tamaño de la muestra, la variación esperada y un rango de valores plausibles, no solo una cifra llamativa.

Análisis

Esta lección relaciona la incertidumbre estadística con un buen diseño. Un planificador que solo ve una media quizá construya viviendas para un hogar que apenas existe; un investigador que no observa ningún suceso en un ensayo pequeño quizá confunda la falta de pruebas con pruebas de que no hay efecto. En la práctica moderna suelen presentarse intervalos de confianza, pero estos también dependen de supuestos sobre el muestreo y la medición. No pueden dar cuenta de todos los sesgos ocultos, así que la incertidumbre debe describirse, no tratarse como un margen decorativo.

Una diferencia medible puede ser demasiado pequeña para importar.

Los números necesitan escala. Una comparación de laboratorio del humo de cigarrillos halló que las marcas eran casi iguales en las sustancias nocivas medidas. Después, un anunciante promocionó Old Gold porque había quedado en último lugar, sin mencionar lo insignificante que era la diferencia. La clasificación era real; la implicación dramática no estaba respaldada por la magnitud de la brecha.

El azar también importa. Una prueba con un grupo pequeño puede arrojar un resultado de apariencia impresionante simplemente por fluctuación aleatoria. Huff describe un ensayo de pasta dental con apenas doce personas: si una empresa repite suficientes pruebas pequeñas, una podría arrojar por azar un resultado favorable. La significación estadística ayuda a evaluar si una diferencia observada podría deberse plausiblemente al azar, pero no dice a los lectores si esa diferencia importa en la vida cotidiana.

Análisis

A menudo se confunden dos preguntas: ¿se distingue un resultado del ruido aleatorio?, y ¿es lo bastante grande como para importar? No son lo mismo. Con suficientes observaciones, un efecto minúsculo puede detectarse estadísticamente; con muy pocas, un efecto importante puede seguir siendo incierto. También hay una advertencia técnica: un nivel de significación convencional no es la probabilidad de que una afirmación sea verdadera. Junto con el resultado de la prueba, los lectores necesitan conocer el tamaño del efecto, la incertidumbre y las consecuencias prácticas.

Examina los ejes de un gráfico antes de creer en su dramatismo.

La escala modifica el relato. Huff muestra un gráfico del ingreso nacional que aumenta un 10 por ciento en un año. Si el eje vertical empieza en cero, el aumento parece moderado. Si se recorta la mayor parte del eje, la misma línea parece dispararse. Si además se cambian las proporciones del gráfico, el incremento parece aún más dramático, aunque las cifras subyacentes no hayan cambiado.

Las imágenes amplifican las dimensiones. Si un pictograma duplica tanto la altura como el ancho de un objeto para representar el doble de cantidad, el área dibujada se cuadruplica. Un objeto tridimensional puede sugerir un volumen ocho veces mayor. Huff describe un gráfico industrial que usó altos hornos enormes para hacer que un aumento de aproximadamente una vez y media en la capacidad de producción de acero pareciera mucho mayor. Comprueba las escalas, los puntos de partida y qué representa el tamaño de una imagen.

Análisis

Los gráficos se comunican mediante la percepción antes de que los lectores examinen las etiquetas. Por eso, el diseño visual forma parte del razonamiento estadístico, no es un mero adorno. Un eje truncado puede ser apropiado si se señala con claridad y se usa para examinar cambios pequeños, pero no debería insinuar en silencio que el cambio es mayor. Los gráficos pictóricos plantean un problema adicional, porque la gente compara intuitivamente áreas y volúmenes aunque los datos solo codifiquen la altura. Los gráficos honestos dejan claro cómo se relacionan las cantidades con las formas.

Asegúrate de que el número mida aquello que se afirma.

Un indicador indirecto puede cambiar de tema. Huff llama cifra semivinculada (semiattached figure) a una estadística débilmente relacionada con la afirmación: un número auténtico que, sin embargo, no demuestra directamente la conclusión anunciada. Por ejemplo, un informe de laboratorio que indica que un líquido mató gérmenes en un tubo de ensayo no demuestra que cure un resfriado en la garganta de una persona. Del mismo modo, un exprimidor anunciado como capaz de extraer un 26 por ciento más de jugo se comparó con un exprimidor manual, no necesariamente con otras máquinas.

Usa el denominador pertinente. Que haya más muertes en carretera a las 19:00 que a las 7:00 no demuestra que cada conductor corra cuatro veces más riesgo por la tarde: quizá haya más personas conduciendo a esa hora. Para comparar los riesgos del transporte hay que usar tasas relativas a la exposición, como las muertes por pasajero-kilómetro, y no solo los totales brutos.

Análisis

Este es un problema de validez de constructo: si una medida capta de verdad el concepto que nombra la afirmación. También explica por qué importan los denominadores. Un recuento describe la carga total, mientras que una tasa puede describir el riesgo; cuál conviene depende de la decisión que se quiera tomar. Incluso una tasa elegida con cuidado puede inducir a error si los grupos difieren en edad, salud o nivel de exposición. La mejor comparación se ajusta a la pregunta y deja visibles sus supuestos.

La correlación puede revelar un patrón sin identificar su causa.

Que dos cosas varíen juntas no es una explicación. Huff habla de un estudio que encontró que los estudiantes universitarios fumadores obtenían notas más bajas que los no fumadores. Aunque la asociación sea real, eso no demuestra que fumar redujera sus notas. Las malas notas podrían influir en el hábito de fumar, o un tercer factor, como los hábitos sociales, podría afectar a ambas cosas. La misma cautela se aplica cuando las personas con título universitario ganan más: su capacidad previa o los recursos familiares quizá ayuden a explicar la diferencia.

Busca otras vías de explicación. Dos tendencias pueden subir a la vez porque ambas responden a un cambio más amplio, o porque su relación cambia en distintos niveles. Huff señala que más lluvia puede beneficiar los cultivos hasta cierto punto, mientras que un exceso de lluvia puede dañarlos. Una correlación es una prueba de que existe un patrón en los datos observados. Para respaldar una afirmación causal, hace falta un diseño o un argumento que permita distinguir entre explicaciones alternativas.

Análisis

La inferencia causal plantea una pregunta más difícil que si dos variables varían juntas: ¿qué les habría ocurrido a las mismas personas o unidades en condiciones distintas? Los experimentos aleatorizados pueden ayudar a responderla, mientras que los estudios observacionales deben abordar los factores de confusión y la selección. Aun así, pueden ser valiosos, sobre todo cuando los experimentos no son viables, pero sus conclusiones causales requieren supuestos explícitos. Una cifra convincente debería reducir el abanico de alternativas, no limitarse a elegir la explicación que prefiere quien la promueve.

Exige conocer el denominador detrás de los porcentajes y el punto de partida detrás de las tendencias.

Los porcentajes necesitan una base. Un informe laboral daba una cifra del 4,9 por ciento para los empleos domésticos que pagaban cierto salario. Ese porcentaje correspondía a apenas dos casos entre 41 ofertas. El recuento bruto deja más clara la escala de las pruebas. Los porcentajes también pueden cambiar cuando cambia su base: un aumento salarial del 20 por ciento después de un recorte del 20 por ciento no devuelve el salario a su nivel original, porque el aumento se aplica a una cantidad menor.

Los cambios no se suman sin más. Un descuento del 50 por ciento seguido de otro del 20 por ciento supone una reducción del 60 por ciento respecto del precio original, no del 70 por ciento. Del mismo modo, una empresa puede expresar los mismos beneficios como proporción de las ventas, rendimiento sobre la inversión o variación respecto de un año elegido. Antes de interpretar un porcentaje, pregunta cuál es el denominador y cuál es el punto de comparación.

Análisis

Los porcentajes son cantidades relacionales, por lo que llevan implícito un valor de referencia. Sin esa base, un porcentaje puede sonar preciso y, al mismo tiempo, ser difícil de interpretar. Esto es especialmente importante al comparar crecimientos desde puntos de partida distintos: una base pequeña puede producir un gran cambio porcentual aunque la variación absoluta sea modesta. Un buen informe presenta tanto la tasa como los recuentos o cantidades subyacentes, para que los lectores entiendan la escala además de la dirección.

Haz cinco comprobaciones antes de dar crédito a una estadística.

Convierte el escepticismo en una rutina. El método final de Huff consiste en una breve auditoría de las pruebas, no en un motivo para rechazar las cifras en bloque. Pregunta:

1. ¿Quién produjo la estadística y qué podría ganar con ella?
2. ¿Cómo se recopilaron los datos y quiénes no pudieron o no quisieron participar?
3. ¿Qué recuentos, rangos, comparaciones o medidas de incertidumbre faltan?
4. ¿La cantidad medida corresponde a la conclusión que se extrae?
5. ¿El resultado tiene sentido cuando se contrasta con la experiencia cotidiana y otras pruebas?

Sigue la cadena. Una estadística pasa por la recopilación, la clasificación, el cálculo, la presentación y la interpretación. La distorsión puede introducirse en cualquier eslabón, incluso sin fraude deliberado. Cuanto más trascendente sea la afirmación, más importante es rastrear esa cadena en vez de dejarse impresionar por los decimales, los nombres de instituciones o un gráfico de apariencia segura.

Análisis

Esta lista de comprobación es útil porque convierte la alfabetización estadística en preguntas que pueden hacerse sin matemáticas avanzadas. También mantiene el escepticismo en su cauce: un informe débil no demuestra que la afirmación contraria sea cierta. En la práctica, conviene plantearse todas las preguntas. Una fuente prestigiosa puede tener una muestra deficiente, y una muestra representativa puede medir algo equivocado. El objetivo es confiar con criterio, y ajustar la confianza a la calidad y pertinencia de las pruebas.

Análisis

El principal logro de Huff consiste en llevar el escepticismo estadístico a las etapas previas. Los lectores suelen encontrarse con una media, un porcentaje o un gráfico bien presentados y suponen que el peligro reside en un cálculo incorrecto. Las decisiones más trascendentes suelen tomarse antes: quién entra en la muestra, cómo se define una categoría, qué punto de partida se elige, qué se considera un resultado y qué comparaciones aparecen en la página. El cálculo puede ser exacto aunque el recorrido de la observación a la conclusión siga estando sesgado.

Los ejemplos del libro vuelven memorable este argumento porque muestran cómo los mismos datos pueden producir impresiones muy distintas. La media de un barrio aumenta cuando se incluye a unos cuantos millonarios. Un gráfico de líneas resulta alarmante cuando desaparece su punto de partida. Se confunde una asociación real con una causa. No son meros trucos de anunciantes deshonestos. Son fallos de medición e interpretación que pueden deberse a incentivos, convenciones, prisa o supuestos no examinados. Por eso, la atención de Huff tanto a la manipulación deliberada como a la incompetencia corriente resulta más útil que una simple advertencia contra confiar en los expertos.

El libro también se beneficia de una importante salvedad moderna. La significación estadística no demuestra que una afirmación sea verdadera, y no alcanzar un umbral no prueba que un efecto esté ausente. Importan el tamaño del efecto, la incertidumbre, el diseño del estudio y las consecuencias de equivocarse. Del mismo modo, el muestreo aleatorio aborda la incertidumbre de selección solo si se cumplen sus supuestos. No corrige preguntas engañosas, respuestas inexactas ni la falta de correspondencia entre la medida y la afirmación.

Algunos ejemplos están ligados a los medios de comunicación y las instituciones de la década de 1950, pero los problemas subyacentes persisten allí donde las pruebas se condensan para persuadir. La habilidad perdurable no consiste en desconfiar de los números, sino en rastrear qué representa cada número. Quienes preguntan por la población, la medición, la comparación, la incertidumbre y los incentivos pueden resistirse a la manipulación sin renunciar a aprender de las pruebas cuantitativas.

Resumen en 30 segundos
Las cifras pueden calcularse correctamente y aun así inducir a error cuando las muestras excluyen a grupos importantes, los promedios ocultan sesgos o los gráficos distorsionan la escala. Una encuesta a millones de personas predijo al ganador equivocado porque sus listas favorecían a los votantes más acomodados. Los porcentajes necesitan sus recuentos y puntos de comparación de base; las asociaciones observadas por sí solas no demuestran causalidad. Comprueba quién reunió los datos, cómo se midieron, qué falta y si la conclusión se ajusta a la evidencia.
Contiene spoilers

Última actualización:

Reportar problema

Resumen de reseñas

3.84 de 5
Promedio de 18.000+ valoraciones de Goodreads y Amazon.

Cómo mentir con estadísticas es ampliamente elogiado como una guía accesible y atemporal para comprender y evaluar críticamente la información estadística. Los lectores valoran sus explicaciones claras, su humor y sus ejemplos prácticos, que ponen al descubierto las artimañas habituales para engañar con datos. Muchos lo consideran una lectura esencial para desarrollar la cultura estadística y el pensamiento crítico. A algunos les resultan encantadores sus ejemplos anticuados; otros desearían que incluyera contenido más actual. En general, los críticos recomiendan encarecidamente el libro por sus valiosas lecciones sobre cómo interpretar las estadísticas en la vida cotidiana.

Tu valoración:
4.38
427 valoraciones
¿Quieres leer el libro completo?

Glosario

manipulación estadística (statisticulation)

Inducir a error mediante material estadístico

Término de Huff para referirse a desinformar a la gente manipulando o presentando material estadístico de maneras que distorsionan su significado. La distorsión puede ser deliberada, pero también puede deberse a incompetencia, presentación selectiva, simplificación excesiva o decisiones de quienes transmiten los resultados de los investigadores al público.

cifra semivinculada (semiattached figure)

Una cifra débilmente vinculada con la afirmación

Una estadística auténtica, o aparentemente auténtica, que se presenta como evidencia de una conclusión que en realidad no demuestra. Por ejemplo, un resultado de laboratorio sobre gérmenes en un tubo de ensayo no prueba por sí solo que un tratamiento cure una enfermedad. La cifra puede ser exacta, aunque su relación con la afirmación resulte engañosa.

muestreo aleatorio estratificado

Muestreo aleatorio dentro de grupos definidos

Método de muestreo que divide una población en categorías, como grupos de edad o de ingresos, y luego selecciona personas de esas categorías en las proporciones previstas. Puede ser más práctico que extraer una muestra puramente aleatoria de toda la población, pero depende de que las categorías sean exactas y de que se llegue a las personas de cada grupo al azar.

error probable

Una medida antigua de la incertidumbre de una estimación

Medida que Huff emplea para expresar la incertidumbre de una estimación basada en una muestra. Según su explicación, un error probable da un intervalo que se espera que contenga el valor verdadero en la mitad de los casos repetidos. Describe la precisión del muestreo, no si una prueba mide lo correcto ni si la muestra está sesgada.

error estándar

Variabilidad estimada del muestreo

Medida de cuánto variaría normalmente una estadística muestral en muestras repetidas de una misma población. Huff la describe como una alternativa más práctica al error probable y señala que, bajo supuestos habituales, un intervalo de un error estándar abarca aproximadamente dos tercios de los casos. No recoge todas las fuentes de sesgo.

falacia post hoc

Confundir asociación con causalidad

El error de concluir que un acontecimiento o una condición causó otro simplemente porque ocurren juntos o uno sucede al otro. Huff subraya que una correlación puede deberse al azar, a una influencia en sentido inverso o a un tercer factor que afecta a ambas variables. Para establecer causalidad se necesita evidencia que permita distinguir entre estas explicaciones.

distribución normal

Una distribución simétrica, con forma de campana

Distribución en la que los valores se agrupan en torno a un punto central y se vuelven menos frecuentes hacia ambos extremos, formando una campana aproximadamente simétrica. En una distribución así, la media, la mediana y la moda coinciden o están muy próximas. Huff la contrapone a las distribuciones sesgadas, como la de los ingresos, donde unos pocos valores extremos pueden alejar la media de la mediana.

Preguntas frecuentes

¿De qué trata «Cómo mentir con estadísticas»?

  • Resumen: «Cómo mentir con estadísticas», de Darrell Huff, es una guía para entender cómo se pueden manipular las estadísticas con el fin de inducir a error o engañar.
  • Propósito: El libro busca enseñar a los lectores las artimañas habituales al presentar datos estadísticos que pueden distorsionar la verdad.
  • Contenido: Aborda diversos métodos estadísticos y cómo se pueden usar para crear impresiones falsas, desde las muestras sesgadas hasta los gráficos engañosos.
  • Ilustraciones: El libro está ilustrado por Irving Geis, lo que ayuda a visualizar los conceptos que se explican.

¿Por qué debería leer «Cómo mentir con estadísticas»?

  • Pensamiento crítico: Mejora la capacidad de analizar críticamente la información estadística que aparece en los medios, la publicidad y las investigaciones.
  • Conciencia: El libro advierte sobre el posible uso indebido de las estadísticas en la vida cotidiana.
  • Ejemplos prácticos: Incluye ejemplos y anécdotas prácticas que hacen que los conceptos resulten cercanos y más fáciles de entender.
  • Autoprotección: Leerlo proporciona los conocimientos necesarios para defenderse de la manipulación estadística.

¿Cuáles son las principales enseñanzas de «Cómo mentir con estadísticas»?

  • Sesgo en el muestreo: Desconfía de las muestras sesgadas que no representan con exactitud a toda la población.
  • Promedios engañosos: Entiende la diferencia entre la media, la mediana y la moda, y cómo se pueden usar para inducir a error.
  • Engaño gráfico: Reconoce cómo se pueden manipular los gráficos para exagerar o minimizar tendencias.
  • Correlación y causalidad: Aprende a distinguir entre correlación y causalidad para evitar conclusiones falsas.

¿Cuáles son las mejores citas de «Cómo mentir con estadísticas» y qué significan?

  • «Hay tres clases de mentiras: las mentiras, las malditas mentiras y las estadísticas». Esta cita, atribuida a Disraeli, destaca cómo se pueden usar las estadísticas para engañar.
  • «El pensamiento estadístico será algún día tan necesario para una ciudadanía eficaz como la capacidad de leer y escribir». H. G. Wells subraya la importancia de comprender las estadísticas en la sociedad moderna.
  • «Las cifras redondas siempre son falsas». Samuel Johnson recomienda desconfiar de las cifras demasiado pulcras, pues a menudo simplifican en exceso datos complejos.
  • «No son tanto las cosas que no sabemos las que nos meten en problemas. Son las cosas que creemos saber y que no son así». Artemus Ward advierte contra las creencias falsas, que pueden perpetuarse mediante estadísticas engañosas.

¿Cómo explica Darrell Huff el concepto de «La muestra con un sesgo incorporado»?

  • Definición: Una muestra sesgada no representa fielmente a la población que se supone que refleja.
  • Ejemplo: Huff usa el caso de los ingresos de los graduados de Yale: solo se incluyó a quienes tenían una dirección conocida y respondieron, lo que sesgó los resultados.
  • Impacto: Estas muestras pueden llevar a conclusiones que no reflejan la situación real y que a menudo la exageran o la minimizan.
  • Solución: Asegurarse de que las muestras sean aleatorias y representativas para evitar sesgos incorporados.

¿Qué significa «El promedio bien elegido» en el contexto del libro?

  • Diferentes promedios: Huff explica la diferencia entre la media, la mediana y la moda, y cómo cada una puede contar una historia distinta.
  • Manipulación: Al elegir un tipo específico de promedio, se pueden presentar los datos de manera que respalden una narrativa determinada.
  • Ejemplo: El ingreso promedio de un vecindario puede parecer alto o bajo según se use la media o la mediana.
  • Evaluación crítica: Pregunta siempre qué tipo de promedio se usa y por qué.

¿Cómo se usan para inducir a error «Las pequeñas cifras que no aparecen»?

  • Datos faltantes: A menudo se omiten cifras importantes, como el tamaño de la muestra o los márgenes de error, lo que lleva a conclusiones engañosas.
  • Intervalo y desviación: Sin entender el intervalo o la desviación, un promedio puede carecer de sentido.
  • Ejemplo: Las estadísticas de vivienda basadas en el tamaño promedio de las familias pueden tergiversar las necesidades de la población.
  • Atención: Busca las cifras omitidas que podrían cambiar la interpretación de los datos.

¿Qué es el «Gráfico ¡guau!» y cómo engaña?

  • Manipulación de gráficos: Se pueden manipular los gráficos truncando los ejes o cambiando las escalas para exagerar tendencias.
  • Impacto visual: Un cambio pequeño puede parecer importante si el gráfico está diseñado para engañar visualmente.
  • Ejemplo: Un aumento del diez por ciento puede parecer una subida espectacular si el eje del gráfico está truncado.
  • Mirada crítica: Comprueba siempre las escalas y los ejes para entender los datos reales.

¿Cómo induce a error «La imagen unidimensional»?

  • Gráficos pictóricos: Usan imágenes para representar datos, lo que puede exagerar las diferencias mediante la manipulación del tamaño.
  • Impresiones engañosas: Una imagen más grande puede sugerir una diferencia mucho mayor de la que respaldan los datos.
  • Ejemplo: Se puede dibujar más grande una bolsa de dinero que representa los ingresos para insinuar una disparidad mayor.
  • Escepticismo: Desconfía de las representaciones pictóricas que podrían distorsionar los datos reales.

¿Qué es la «Cifra semivinculada» y cómo se usa?

  • Definición: Consiste en usar una cifra relacionada con la afirmación, pero que no es directamente pertinente a ella.
  • Ejemplo: Afirmar que un producto mata gérmenes en un tubo de ensayo para insinuar que cura los resfriados en las personas.
  • Correlación engañosa: Crea una falsa impresión de causalidad o pertinencia.
  • Preguntas críticas: Pregunta siempre qué relación tiene la cifra con la afirmación.

¿Cómo aborda el libro la falacia «post hoc»?

  • Falacia post hoc: Suponer que, porque un acontecimiento sucede después de otro, el primero causó el segundo.
  • Ejemplo: Relacionar el tabaquismo con las malas notas sin tener en cuenta otros factores.
  • Múltiples explicaciones: Puede haber otros factores que causen ambos acontecimientos, o la relación puede ser casual.
  • Análisis escéptico: Considera siempre explicaciones alternativas para las correlaciones.

¿Cómo pueden los lectores «replicar a una estadística», según Darrell Huff?

  • Cuestionar la fuente: Piensa en quién presenta la estadística y en sus posibles sesgos.
  • Comprobar la metodología: Investiga cómo se recogieron los datos y si la muestra era representativa.
  • Buscar información faltante: Identifica cualquier dato omitido que pudiera alterar la interpretación.
  • Evaluar la lógica: Asegúrate de que las conclusiones extraídas de los datos tengan sentido lógico y no se basen en supuestos erróneos.

Sobre el autor

Darrell Huff fue un escritor y periodista estadounidense, conocido sobre todo por su libro Cómo mentir con estadísticas, publicado en 1954. El libro se convirtió inesperadamente en un éxito de ventas y se ha mantenido en circulación durante más de seis décadas, con más de 1,5 millones de ejemplares vendidos. Huff escribió varios libros más sobre diversos temas, entre ellos el humor y los juegos de palabras. No tenía formación académica en estadística, pero se interesó por la materia a través de su trabajo como periodista. Su estilo ingenioso y accesible hizo comprensibles para el público general conceptos estadísticos complejos, lo que contribuyó a la perdurable popularidad de su obra más famosa.

Descargar PDF

Para guardar este resumen de Cómo mentir con estadísticas para más tarde, descarga el PDF gratis. Puedes imprimirlo o leerlo sin conexión cuando quieras.
Descargar PDF

Descargar EPUB

Para leer este resumen de Cómo mentir con estadísticas en tu dispositivo o aplicación de lectura, descarga el EPUB gratis. El formato de libro digital .epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.
Descargar EPUB
¿Quieres leer el libro completo?
Seguir
Escuchar
Inicio
Swipe
Biblio
App
Prueba el acceso completo por 3 días
Escucha, guarda y mucho más
Comparar funciones Gratis Pro
📖 Leer resúmenes
Lee resúmenes ilimitados. Los usuarios gratuitos obtienen 3 al mes
🎧 Escuchar resúmenes
Escucha resúmenes ilimitados en 40 idiomas
—
❤️ Marcadores ilimitados
Usuarios gratuitos limitados a 4
—
📜 Historial ilimitado
Usuarios gratuitos limitados a 4
—
📥 Descargas ilimitadas
Usuarios gratuitos limitados a 1
—
Cronología sin riesgo
Hoy: Obtén acceso instantáneo
Escucha resúmenes completos de más de 26.000 libros. ¡Son más de 12.000 horas de audio!
Día 2: Recordatorio de prueba
Te enviaremos una notificación de que tu prueba está por terminar.
Día 3: Tu suscripción comienza
Se te cobrará el 25 nov,
cancela en cualquier momento antes.
Consume 2.8× More Books
2.8× libros más Escucha Lectura
Nuestros usuarios nos adoran
1M+ lectores
Trustpilot Rating
TrustPilot
4.6 Excelente
Este sitio es un antes y un después. He leído resúmenes como nunca antes. Lo recomiendo muchísimo.
— Dave G
Vale cada centavo y cada minuto, y está muy bien hecho. Nunca había visto esta calidad de resúmenes en otros sitios. ¡Muy útil!
— Em
¡Muy recomendado! Servicio fantástico. Perfecto para quienes quieren algo más que una sinopsis, pero no todos los detalles de un audiolibro completo.
— Greg M
Ahorra un 62%
Anual
$119.88 $44.99/año/año
$3.75/mes
Mensual
$9.99/mes
Inicia tu prueba gratuita de 3 días
3 días gratis, luego $44.99/año. Cancela cuando quieras.
Unlock a world of fiction & nonfiction books
Más de 26.000 libros por el precio de 2
Lee cualquier libro en 10 minutos
Descubre libros nuevos como en Tinder
Solicita cualquier libro si no está resumido
Lee más libros que cualquiera que conozcas
La app nº 1 para amantes de los libros
Lifelike & immersive summaries
Garantía de devolución de 30 días
Descarga resúmenes en EPUB o PDF
Cancela en cualquier momento con unos clics

¿Por qué solo un resumen?

Escáner
Busca un código de barras para escanear

⭐
⭐
⭐
Tenemos un regalo especial para ti
Abrir
38% de descuento
DESCUENTO PARA TI
⭐
⭐
⭐
$79.99
$49.99/año
Solo $4.16 al mes
Continuar
Empieza con 2 toques y cancela fácilmente
Configuración
General
Widget
Cargando...