Buenas prácticas de visualización

1 · El principio

Un gráfico tiene que poder leerse solo, separado del texto que lo rodea. Si hay que leer tres párrafos para entenderlo, el gráfico no está terminado.

2 · Lo que siempre lleva

Título o epígrafe que diga la conclusión, no el contenido. La diferencia:

• Contenido: “Ingreso de la ocupación principal por decil”.
• Conclusión: “El 10 % de mayores ingresos concentra el 36,8 % del total”.

El segundo hace el trabajo. El primero solo repite lo que ya dicen los ejes.

Ejes rotulados, con unidad. “Ingreso (miles de pesos)” y no “Ingreso”. Si la escala está en millones o en porcentaje, tiene que decirlo.

La fuente y el período. Organismo, relevamiento, período de referencia. Sin eso, un gráfico no es citable.

El $n$. En el epígrafe o en el eje. Un porcentaje sin denominador no se puede evaluar.

Aclaraciones al pie. Cortes de eje, exclusiones, categorías agrupadas. Todo lo que el lector necesita saber para no sacar una conclusión equivocada.

3 · Lo que sobra

La mayoría de lo que agregan los programas por defecto:

• Grillas densas. Dos o tres líneas guía suaves alcanzan.
• Bordes alrededor del gráfico. No aportan.
• Fondos de color. Bajan el contraste del dato.
• Leyendas cuando se puede etiquetar directo. Obligar a ir y volver entre la leyenda y el gráfico es fricción pura.
• Efectos, sombras, degradados, tres dimensiones. Nunca.
• Decimales de más en los rótulos. “31,3 %” y no “31,27 %”.

La regla: cada elemento tiene que ganarse su lugar. Si sacarlo no hace perder información, sobraba.

4 · El color

El color codifica, no decora. Tres usos legítimos:

• Distinguir categorías. Colores distintos y del mismo peso visual.
• Mostrar intensidad. Una escala de un solo tono, de claro a oscuro.
• Destacar. Todo gris salvo lo que importa. Es el uso más efectivo y el menos usado.

Y cuatro restricciones que conviene respetar:

• Alrededor del 8 % de los varones tiene alguna forma de daltonismo. El rojo contra el verde es la peor combinación posible.
• El gráfico tiene que funcionar en blanco y negro, porque se va a imprimir. Si el único código es el color, se pierde.
• No más de cinco o seis colores. Con más, nadie los distingue.
• Mismo color, mismo significado en todo el trabajo. Si los varones son azules en un gráfico, lo son en todos.

Las paletas, medidas

Distancia perceptual mínima entre los colores de cada paleta, en unidades Lab. Por debajo de unos 15 puntos, dos colores se confunden:

Paleta	Normal	Deuteranopía	Protanopía	En gris
Rojo y verde	119,8	8,2	39,2	0,100
matplotlib (tab10)	38,2	8,1	5,6	0,009
ggplot2 (hue)	60,6	7,5	19,5	0,000
Okabe-Ito	26,4	17,2	22,4	0,011
Viridis	32,5	18,7	24,0	0,059

5 · El texto

Etiquetas horizontales. Si los nombres de categoría no entran, el gráfico va en barras horizontales. Rotar el texto 45 grados es resolver el problema equivocado.

Tamaño legible. Un gráfico que se ve bien en la pantalla suele ser ilegible impreso en media página. Hay que verlo al tamaño final.

Orden con criterio. Las categorías ordinales, en su orden; las nominales, por frecuencia. Nunca en el orden en que salieron de la base.

6 · Antes de darlo por terminado

Cinco preguntas:

1. ¿Se entiende sin leer el texto?
2. ¿Los ejes dicen qué son y en qué unidad?
3. ¿Está la fuente, el período y el $n$?
4. ¿Sobrevive impreso en blanco y negro?
5. ¿Hay algo que se pueda sacar sin perder información?

7 · Errores frecuentes

• Título que repite los ejes. Espacio desperdiciado.
• Gráfico sin fuente. No es citable ni verificable.
• Color como decoración. Siete colores para siete barras de una misma serie no codifican nada: el eje ya dice cuál es cuál.
• Rojo y verde para distinguir categorías. Pierden el 93 % de su distancia perceptual con deuteranopía.
• Confiar en que la paleta por defecto es segura. La de matplotlib y la de ggplot2 colapsan tanto como el rojo y el verde.
• Dar por hecho que una paleta apta para daltonismo se imprime bien. Son dos requisitos distintos: la de ggplot2 tiene separación de luminancia cero.
• Rotar las etiquetas. Señal de que el gráfico tenía que ser horizontal.
• No verificar el tamaño final. Lo que se ve bien al 200 % en pantalla puede ser ilegible en el papel.
• Usar el estilo por defecto del programa sin revisarlo. Los defaults están pensados para explorar, no para publicar, y sus colores lo muestran.

8 · En el software

# R con ggplot2 — un tema limpio como punto de partida
library(ggplot2)
theme_set(theme_minimal(base_size = 12))

# Y una paleta que sobreviva al daltonismo y a la impresora
scale_color_viridis_d(); scale_fill_viridis_d()

ggplot(datos, aes(x = reorder(nivel, ingreso), y = ingreso)) +
  geom_boxplot() +
  coord_flip() +
  labs(
    title = "El ingreso mediano crece con el nivel educativo",
    x = NULL,
    y = "Ingreso de la ocupación principal (pesos)",
    caption = "Fuente: INDEC, EPH, 1º trimestre de 2026. n = 15.448"
  )

# Python
import matplotlib.pyplot as plt
plt.style.use("seaborn-v0_8-whitegrid")
plt.set_cmap("viridis")                  # o el estilo seaborn-v0_8-colorblind
plt.title("El ingreso mediano crece con el nivel educativo")
plt.figtext(0, -0.05, "Fuente: INDEC, EPH, 1T 2026. n = 15.448", size=8)

@misc{estadistica_ar_buenas_practicas_de_visualizacion,
  author       = {Montivero, Jorge Luis},
  title        = {{Buenas prácticas de visualización}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/buenas-practicas-de-visualizacion}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-28}
}