0:00:07.728,0:00:10.749
Een tandpastamerk beweert[br]dat zijn product meer plak verwijdert

0:00:10.749,0:00:12.550
dan eender welk product ooit gemaakt.

0:00:12.550,0:00:15.741
Een politicus vertelt je[br]dat zijn plan de meeste banen creëert.

0:00:16.091,0:00:18.661
We zijn zo gewend geraakt[br]aan dit soort overdrijvingen

0:00:18.661,0:00:20.480
in reclames en de politiek

0:00:20.480,0:00:22.311
dat we er niet eens van opkijken.

0:00:22.821,0:00:25.751
Maar wat als de claim [br]door een grafiek wordt ondersteund?

0:00:25.751,0:00:28.141
Een grafiek is immers geen mening.

0:00:28.141,0:00:31.861
Ze representeert onverbloemde getallen,[br]en wie kan die tegenspreken?

0:00:32.221,0:00:36.053
Toch blijken er vele manieren te zijn[br]waarop een grafiek je kan misleiden

0:00:36.053,0:00:37.722
of ronduit manipuleren.

0:00:37.722,0:00:39.825
Hier zijn enkele punten om op te letten.

0:00:40.365,0:00:43.070
In deze advertentie uit 1992[br]beweerde Chevrolet

0:00:43.070,0:00:45.430
dat zij de degelijkste trucks [br]in Amerika maakten,

0:00:45.430,0:00:47.140
gebruik makend van deze grafiek.

0:00:47.140,0:00:48.573
Ze toont niet alleen

0:00:48.573,0:00:51.873
dat 98% van de in de laatste tien jaar [br]verkochte Chevrolettrucks

0:00:51.873,0:00:53.192
nog steeds rijdt,

0:00:53.192,0:00:55.238
maar ze lijken[br]twee keer zo degelijk te zijn

0:00:55.238,0:00:56.548
als Toyotatrucks.

0:00:57.018,0:01:00.314
Althans, totdat je de getallen [br]op de Y-as nader beschouwt

0:01:00.314,0:01:04.872
en ziet dat Toyota's percentage [br]ongeveer 96,5% is.

0:01:05.152,0:01:08.733
De schaalverdeling loopt van 95% tot 100%.

0:01:08.993,0:01:12.243
Als ze van 0% tot 100% liep,[br]zou de grafiek er als volgt uitzien.

0:01:12.563,0:01:15.843
Dit is een veelgebruikte methode[br]om data verkeerd voor te stellen:

0:01:15.843,0:01:17.523
de schaalverdeling vervormen.

0:01:17.903,0:01:20.634
De focus op een klein deel van de Y-as

0:01:20.634,0:01:25.023
overdrijft een amper op te merken verschil[br]tussen de vergeleken data.

0:01:25.263,0:01:27.874
En het is vooral [br]bij staafdiagrammen misleidend,

0:01:27.874,0:01:30.363
daar we aannemen[br]dat het hoogteverschil van de staven

0:01:30.363,0:01:32.193
evenredig aan de waarden is.

0:01:32.913,0:01:36.135
Maar een schaalverdeling [br]kan ook langs de X-as worden vervormd,

0:01:36.135,0:01:40.004
wat vaak voorkomt bij lijngrafieken,[br]die veranderingen over een periode tonen.

0:01:40.104,0:01:41.100
Deze grafiek,

0:01:41.100,0:01:44.747
die toont hoe de werkloosheid in Amerika[br]tussen 2008 en 2010 steeg,

0:01:44.747,0:01:47.386
is op twee manieren[br]langs de X-as gemanipuleerd.

0:01:47.786,0:01:50.115
Ten eerste is de schaalverdeling[br]niet consequent,

0:01:50.115,0:01:53.486
doordat de vijftien maanden na maart 2009[br]dichter bij elkaar zijn gezet

0:01:53.486,0:01:56.135
om zo korter te lijken[br]dan de voorgaande zes maanden.

0:01:56.385,0:02:00.486
Een consequentere schaalverdeling[br]laat zien dat de afname van banen

0:02:00.486,0:02:03.335
tegen het einde van 2009 stagneert.

0:02:03.495,0:02:06.465
En mocht je je afvragen[br]waarom het aantal banen eerst afnam:

0:02:06.465,0:02:10.405
de tijdlijn begint direct na[br]de grootste financiële krach in Amerika

0:02:10.405,0:02:12.116
sinds de depressie van de jaren 30.

0:02:12.246,0:02:14.839
Deze techniek staat bekend[br]als selectief winkelen.

0:02:14.839,0:02:16.789
Men kan een tijdspanne nauwgezet kiezen

0:02:16.789,0:02:19.938
om zo een invloedrijke gebeurtenis[br]buiten beschouwing te laten.

0:02:20.328,0:02:22.112
En het kiezen van specifieke data

0:02:22.112,0:02:24.692
kan belangrijke tussentijdse [br]veranderingen verhullen.

0:02:24.692,0:02:27.286
Zelfs als er met de grafiek [br]op zichzelf niets mis is,

0:02:27.286,0:02:30.597
kan het verhullen van relevante data[br]een valse impressie wekken.

0:02:30.937,0:02:33.997
Deze grafiek van de jaarlijkse [br]Super Bowl-kijkcijfers

0:02:33.997,0:02:37.256
laat het lijken alsof de populariteit[br]van het evenement snel stijgt.

0:02:37.256,0:02:39.828
Maar ze houdt geen rekening[br]met de bevolkingsgroei.

0:02:39.968,0:02:41.977
De populariteit bleef eigenlijk gelijk:

0:02:41.977,0:02:45.039
hoewel het aantal footballfans[br]is toegenomen,

0:02:45.039,0:02:47.519
is het percentage footballfans [br]gelijk gebleven.

0:02:47.659,0:02:49.588
Een grafiek kan je veel wijsmaken

0:02:49.588,0:02:52.708
als je niet weet wat de waarde[br]van het getoonde is.

0:02:53.318,0:02:56.217
Onderstaande grafieken [br]gebruiken dezelfde data

0:02:56.217,0:02:59.139
van de 'National Centers[br]for Environmental Information'.

0:02:59.459,0:03:02.230
Waarom wekken ze dan toch[br]tegenovergestelde indrukken?

0:03:02.230,0:03:05.279
De eerste grafiek toont [br]de oceaantemperatuur per jaar

0:03:05.279,0:03:07.787
van 1880 tot en met 2016,

0:03:07.787,0:03:09.789
en laat de verandering onbeduidend lijken.

0:03:09.789,0:03:12.708
Maar zelfs een verandering[br]van slechts 0,5 graden Celsius

0:03:12.708,0:03:15.379
kan grote ecologische[br]verstoringen teweegbrengen.

0:03:15.479,0:03:16.829
Daarom is de tweede grafiek,

0:03:16.829,0:03:19.798
die het jaarlijkse gemiddelde[br]van de temperatuurvariatie toont,

0:03:19.798,0:03:20.900
veel gewichtiger.

0:03:22.270,0:03:24.549
Correct ingezet,[br]kunnen grafieken ons helpen

0:03:24.549,0:03:26.759
om complexe data intuïtief te begrijpen.

0:03:27.149,0:03:31.185
Maar hoewel software het gebruik[br]van grafieken in media heeft bevorderd,

0:03:31.185,0:03:35.110
is het eveneens gemakkelijker geworden[br]om grafieken te misbruiken.

0:03:35.600,0:03:39.640
Dus als je weer eens een grafiek ziet,[br]vertrouw dan niet op de lijnen en curves.

0:03:39.640,0:03:40.882
Kijk naar de labels,

0:03:40.882,0:03:42.130
de getallen,

0:03:42.130,0:03:44.008
de schaalverdeling en de context,

0:03:44.008,0:03:46.558
en vraag je af wat ze[br]je willen laten geloven.