WEBVTT

00:00:07.728 --> 00:00:10.749
Een tandpastamerk beweert
dat zijn product meer plak verwijdert

00:00:10.749 --> 00:00:12.550
dan eender welk product ooit gemaakt.

00:00:12.550 --> 00:00:15.741
Een politicus vertelt je
dat zijn plan de meeste banen creëert.

00:00:16.091 --> 00:00:18.661
We zijn zo gewend geraakt
aan dit soort overdrijvingen

00:00:18.661 --> 00:00:20.480
in reclames en de politiek

00:00:20.480 --> 00:00:22.311
dat we er niet eens van opkijken.

00:00:22.821 --> 00:00:25.751
Maar wat als de claim 
door een grafiek wordt ondersteund?

00:00:25.751 --> 00:00:28.141
Een grafiek is immers geen mening.

00:00:28.141 --> 00:00:31.861
Ze representeert onverbloemde getallen,
en wie kan die tegenspreken?

00:00:32.221 --> 00:00:36.053
Toch blijken er vele manieren te zijn
waarop een grafiek je kan misleiden

00:00:36.053 --> 00:00:37.722
of ronduit manipuleren.

00:00:37.722 --> 00:00:39.825
Hier zijn enkele punten om op te letten.

00:00:40.365 --> 00:00:43.070
In deze advertentie uit 1992
beweerde Chevrolet

00:00:43.070 --> 00:00:45.430
dat zij de degelijkste trucks 
in Amerika maakten,

00:00:45.430 --> 00:00:47.140
gebruik makend van deze grafiek.

00:00:47.140 --> 00:00:48.573
Ze toont niet alleen

00:00:48.573 --> 00:00:51.873
dat 98% van de in de laatste tien jaar 
verkochte Chevrolettrucks

00:00:51.873 --> 00:00:53.192
nog steeds rijdt,

00:00:53.192 --> 00:00:55.238
maar ze lijken
twee keer zo degelijk te zijn

00:00:55.238 --> 00:00:56.548
als Toyotatrucks.

00:00:57.018 --> 00:01:00.314
Althans, totdat je de getallen 
op de Y-as nader beschouwt

00:01:00.314 --> 00:01:04.872
en ziet dat Toyota's percentage 
ongeveer 96,5% is.

00:01:05.152 --> 00:01:08.733
De schaalverdeling loopt van 95% tot 100%.

00:01:08.993 --> 00:01:12.243
Als ze van 0% tot 100% liep,
zou de grafiek er als volgt uitzien.

00:01:12.563 --> 00:01:15.843
Dit is een veelgebruikte methode
om data verkeerd voor te stellen:

00:01:15.843 --> 00:01:17.523
de schaalverdeling vervormen.

00:01:17.903 --> 00:01:20.634
De focus op een klein deel van de Y-as

00:01:20.634 --> 00:01:25.023
overdrijft een amper op te merken verschil
tussen de vergeleken data.

00:01:25.263 --> 00:01:27.874
En het is vooral 
bij staafdiagrammen misleidend,

00:01:27.874 --> 00:01:30.363
daar we aannemen
dat het hoogteverschil van de staven

00:01:30.363 --> 00:01:32.193
evenredig aan de waarden is.

00:01:32.913 --> 00:01:36.135
Maar een schaalverdeling 
kan ook langs de X-as worden vervormd,

00:01:36.135 --> 00:01:40.004
wat vaak voorkomt bij lijngrafieken,
die veranderingen over een periode tonen.

00:01:40.104 --> 00:01:41.100
Deze grafiek,

00:01:41.100 --> 00:01:44.747
die toont hoe de werkloosheid in Amerika
tussen 2008 en 2010 steeg,

00:01:44.747 --> 00:01:47.386
is op twee manieren
langs de X-as gemanipuleerd.

00:01:47.786 --> 00:01:50.115
Ten eerste is de schaalverdeling
niet consequent,

00:01:50.115 --> 00:01:53.486
doordat de vijftien maanden na maart 2009
dichter bij elkaar zijn gezet

00:01:53.486 --> 00:01:56.135
om zo korter te lijken
dan de voorgaande zes maanden.

00:01:56.385 --> 00:02:00.486
Een consequentere schaalverdeling
laat zien dat de afname van banen

00:02:00.486 --> 00:02:03.335
tegen het einde van 2009 stagneert.

00:02:03.495 --> 00:02:06.465
En mocht je je afvragen
waarom het aantal banen eerst afnam:

00:02:06.465 --> 00:02:10.405
de tijdlijn begint direct na
de grootste financiële krach in Amerika

00:02:10.405 --> 00:02:12.116
sinds de depressie van de jaren 30.

00:02:12.246 --> 00:02:14.839
Deze techniek staat bekend
als selectief winkelen.

00:02:14.839 --> 00:02:16.789
Men kan een tijdspanne nauwgezet kiezen

00:02:16.789 --> 00:02:19.938
om zo een invloedrijke gebeurtenis
buiten beschouwing te laten.

00:02:20.328 --> 00:02:22.112
En het kiezen van specifieke data

00:02:22.112 --> 00:02:24.692
kan belangrijke tussentijdse 
veranderingen verhullen.

00:02:24.692 --> 00:02:27.286
Zelfs als er met de grafiek 
op zichzelf niets mis is,

00:02:27.286 --> 00:02:30.597
kan het verhullen van relevante data
een valse impressie wekken.

00:02:30.937 --> 00:02:33.997
Deze grafiek van de jaarlijkse 
Super Bowl-kijkcijfers

00:02:33.997 --> 00:02:37.256
laat het lijken alsof de populariteit
van het evenement snel stijgt.

00:02:37.256 --> 00:02:39.828
Maar ze houdt geen rekening
met de bevolkingsgroei.

00:02:39.968 --> 00:02:41.977
De populariteit bleef eigenlijk gelijk:

00:02:41.977 --> 00:02:45.039
hoewel het aantal footballfans
is toegenomen,

00:02:45.039 --> 00:02:47.519
is het percentage footballfans 
gelijk gebleven.

00:02:47.659 --> 00:02:49.588
Een grafiek kan je veel wijsmaken

00:02:49.588 --> 00:02:52.708
als je niet weet wat de waarde
van het getoonde is.

00:02:53.318 --> 00:02:56.217
Onderstaande grafieken 
gebruiken dezelfde data

00:02:56.217 --> 00:02:59.139
van de 'National Centers
for Environmental Information'.

00:02:59.459 --> 00:03:02.230
Waarom wekken ze dan toch
tegenovergestelde indrukken?

00:03:02.230 --> 00:03:05.279
De eerste grafiek toont 
de oceaantemperatuur per jaar

00:03:05.279 --> 00:03:07.787
van 1880 tot en met 2016,

00:03:07.787 --> 00:03:09.789
en laat de verandering onbeduidend lijken.

00:03:09.789 --> 00:03:12.708
Maar zelfs een verandering
van slechts 0,5 graden Celsius

00:03:12.708 --> 00:03:15.379
kan grote ecologische
verstoringen teweegbrengen.

00:03:15.479 --> 00:03:16.829
Daarom is de tweede grafiek,

00:03:16.829 --> 00:03:19.798
die het jaarlijkse gemiddelde
van de temperatuurvariatie toont,

00:03:19.798 --> 00:03:20.900
veel gewichtiger.

00:03:22.270 --> 00:03:24.549
Correct ingezet,
kunnen grafieken ons helpen

00:03:24.549 --> 00:03:26.759
om complexe data intuïtief te begrijpen.

00:03:27.149 --> 00:03:31.185
Maar hoewel software het gebruik
van grafieken in media heeft bevorderd,

00:03:31.185 --> 00:03:35.110
is het eveneens gemakkelijker geworden
om grafieken te misbruiken.

00:03:35.600 --> 00:03:39.640
Dus als je weer eens een grafiek ziet,
vertrouw dan niet op de lijnen en curves.

00:03:39.640 --> 00:03:40.882
Kijk naar de labels,

00:03:40.882 --> 00:03:42.130
de getallen,

00:03:42.130 --> 00:03:44.008
de schaalverdeling en de context,

00:03:44.008 --> 00:03:46.558
en vraag je af wat ze
je willen laten geloven.