Mapas de coropletas

1 · Definición

Un mapa de coropletas representa el valor de una variable en cada unidad territorial pintándola con una intensidad de color proporcional a ese valor.

2:06

Esa es su ventaja y su trampa. La ventaja: nadie necesita leer una lista de 24 provincias para ubicar un patrón; el norte y el sur se ven solos. La trampa: el mapa trae información de contrabando —el tamaño de cada territorio— que no tiene nada que ver con los datos.

2 · Cuándo corresponde

Cuando la unidad de análisis es el territorio y la pregunta es dónde. Si la pregunta es cuánto o cuántos, casi siempre comunica mejor una tabla ordenada o un gráfico de barras: en un mapa es imposible comparar con precisión dos provincias que no están pegadas.

La pregunta	La herramienta
¿Dónde se concentra el problema?	Mapa
¿Qué provincia tiene el valor más alto?	Barras ordenadas o tabla
¿Cuánto más alto que las demás?	Barras o tabla
¿Hay un patrón regional?	Mapa
¿Cómo cambió en el tiempo?	Serie, o varios mapas pequeños

3 · Tasas, no conteos

Es la regla que decide si el mapa informa algo o no informa nada.

Un mapa de cantidad de casos por provincia dibuja, casi siempre, la distribución de la población: Buenos Aires va a estar oscura en el mapa de nacimientos, en el de muertes, en el de delitos y en el de escuelas, porque ahí vive un tercio del país. El mapa no muestra el fenómeno: muestra dónde hay gente.

Lo que se mapea son valores relativos: tasas, porcentajes, promedios, densidades — ver razón, proporción y tasa.

4 · Un ejemplo

Ese mapa contesta bien una pregunta —¿hay un patrón territorial?— y contesta mal otra: cuál es exactamente el valor de cada provincia. Para eso está la tabla, y por eso las dos cosas suelen ir juntas.

5 · Los cortes de clase

Un mapa de coropletas agrupa valores continuos en unas pocas clases, exactamente como un histograma. Y como en el histograma, la decisión de dónde cortar cambia lo que se ve.

Criterio	Cómo corta	Cuándo conviene
Intervalos iguales	Divide el recorrido en tramos del mismo ancho	Variables repartidas parejo; escalas conocidas (porcentajes)
Cuantiles	Igual cantidad de unidades por clase	Mostrar posiciones relativas; siempre “llena” todas las clases
Cortes naturales	Busca los saltos del propio conjunto	Distribuciones con grupos claros
Cortes con significado	Valores definidos por fuera: metas, umbrales, el promedio del país	Cuando existe una referencia sustantiva

Dos reglas prácticas: entre cuatro y seis clases —con más, el ojo no distingue los tonos— y, si el mapa se va a comparar con otro (otro año, otra variable, otro sexo), los mismos cortes en todos, o la comparación es una ilusión.

6 · El color

El color es el que codifica el dato, así que no es decoración:

• Escala secuencial —un solo tono de claro a oscuro— para variables que van de menos a más. Es el caso habitual.
• Escala divergente —dos tonos con un punto neutro en el medio— solo cuando hay un centro con significado: el promedio del país, el cero de una variación, una meta.
• Más oscuro = más, siempre. Invertirlo confunde aunque quede lindo.
• Nunca el arcoíris. No tiene orden perceptual: el lector no sabe si el verde es más o menos que el naranja, y desaparece al imprimir en blanco y negro.

7 · Lo que el mapa distorsiona

Tres problemas que no son de diseño sino de fondo, y conviene tenerlos presentes antes de sacar conclusiones.

El área pesa más que el dato. Santa Cruz ocupa en el mapa unas once veces más superficie que Tucumán y tiene la quinta parte de su población. El ojo lee superficie pintada, así que los territorios grandes y vacíos dominan la imagen aunque aporten pocos casos.

Las fronteras son arbitrarias para el fenómeno. Los límites provinciales no fueron trazados pensando en la mortalidad infantil ni en el empleo. Agrupar los mismos datos con otra división —departamentos, regiones, aglomerados— puede dar un patrón distinto con los mismos casos. Es un problema conocido: los resultados dependen de la unidad territorial elegida, y no hay una división “correcta”.

El mapa habla de territorios, no de personas. Que una provincia tenga una tasa alta no dice nada sobre ninguna persona en particular, ni permite concluir que los individuos con tal característica sean los afectados. Es la falacia ecológica, y en un mapa es especialmente tentadora porque la imagen invita a interpretar.

8 · Alternativas cuando el mapa no alcanza

Alternativa	Qué resuelve
Barras ordenadas al lado del mapa	Permite comparar valores con precisión
Símbolos proporcionales	El tamaño del círculo codifica el dato y el área del territorio deja de mandar
Cartograma	Deforma los territorios según la población: cada persona pesa igual
Grilla de cuadrados	Una celda por jurisdicción, todas del mismo tamaño y en su posición aproximada
Varios mapas chicos	Comparar años o categorías con los mismos cortes

Las dos del medio atacan directamente el problema del área. La última fila es la mejor forma de mostrar evolución: una fila de mapas pequeños, todos con la misma escala, se lee mucho mejor que un mapa animado o que dos mapas con leyendas distintas.

9 · Errores frecuentes

• Mapear conteos en vez de tasas. El mapa dibuja la población y no el fenómeno.
• Comparar tasas crudas entre poblaciones con estructuras muy distintas. Van estandarizadas.
• Cambiar los cortes entre dos mapas que se comparan. Cualquier diferencia que se vea puede ser del criterio y no de los datos.
• No declarar el criterio de corte. Es tan necesario como declarar el ancho de clase de un histograma.
• Demasiadas clases. Con ocho tonos, el lector no distingue cuál es cuál.
• Escala de color sin orden. El arcoíris no tiene un “más” y un “menos”.
• Leer el mapa como si hablara de personas. Habla de territorios.
• Olvidar que el área engaña. Una provincia enorme con pocos casos domina la imagen.
• Mapa sin leyenda, sin fuente o sin período. Las tres cosas van siempre.

10 · En el software

# R — con sf, que lee el GeoJSON y dibuja directo
library(sf); library(ggplot2)

provincias <- st_read("provincias.geojson")
datos <- merge(provincias, tmi, by = "id")

ggplot(datos) +
  geom_sf(aes(fill = tasa), colour = "white", linewidth = 0.2) +
  scale_fill_distiller(direction = 1) +   # secuencial, más oscuro = más
  theme_void()

# Cortes por cuantiles, declarados
datos$clase <- cut(datos$tasa, breaks = quantile(datos$tasa, seq(0, 1, 0.2)),
                   include.lowest = TRUE)

# Python — geopandas
import geopandas as gpd

provincias = gpd.read_file("provincias.geojson")
datos = provincias.merge(tmi, on="id")

datos.plot(column="tasa", scheme="quantiles", k=5,
           cmap="Greens", edgecolor="white", linewidth=0.2, legend=True)

@misc{estadistica_ar_mapas_de_coropletas,
  author       = {Montivero, Jorge Luis},
  title        = {{Mapas de coropletas}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/mapas-de-coropletas}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-25}
}