# Memoria · PEC 2 · Tres técnicas de visualización
Jorge Mateu Marín · Visualización de Datos · Máster Universitario de Ciencia de Datos · UOC
Esta memoria fundamenta las visualizaciones y el vídeo. El texto hablado definitivo está en `guion_corto.md` y `guion_video.md`: son dos formatos del mismo guion, no dos textos que deban sumarse. La presentación conserva 16 diapositivas. El objetivo del vídeo es 7:25, con 2:15 para cada técnica y un guion único de 826 palabras.
| Técnica asignada | Datos abiertos y pregunta | URL pública |
|---|---|---|
| Diagrama de dispersión | PIB por habitante y esperanza de vida: ¿cómo se asocian entre países? | https://pec2-visualizacion.pages.dev/dispersion |
| Slope chart | Cuota de renovables: ¿quién cambia y cuánto entre dos años? | https://pec2-visualizacion.pages.dev/pendiente |
| Ridgeline plot | Máximas diarias: ¿cómo cambia la distribución entre meses? | https://pec2-visualizacion.pages.dev/crestas |
## 1. Diagrama de dispersión
### Definición, mecánica y antecedentes
El scatterplot convierte dos medidas de una misma observación en una posición cartesiana: primera medida → coordenada x; segunda → coordenada y; observación → punto. Se pueden añadir color para grupos y área para una tercera medida, aunque esta última convertiría el diseño en un gráfico de burbujas. La nube permite estudiar dirección y forma de una asociación, subgrupos, agrupaciones y observaciones alejadas del patrón. También admite variables cuantitativas discretas; los empates pueden requerir desplazamiento controlado o transparencia.
Friendly y Denis (2005) documentan antecedentes modernos en los gráficos de Herschel de 1833 sobre estrellas dobles, y el papel de Galton en el desarrollo de regresión y correlación. Se habla de antecedentes documentados, no de una invención aislada indiscutible.
### Contraste entre catálogos y aplicaciones
| Fuente del aula | Clasificación o cobertura | Qué aporta |
|---|---|---|
| Data Viz Project, Scatter Plot | Plot; Correlation y Distribution; Dot | Finalidad y forma visual |
| From Data to Viz, Scatterplot | Dos variables numéricas; relación entre medidas | Elección desde la estructura del dato; solapamiento y subgrupos |
| Data Visualisation Catalogue, Scatterplot | Patterns y Relationships | Patrones, relación y advertencia sobre causalidad |
| Chartmaker Directory, API completa | Scatter plot; Relationships → Multi-variate | Ficha propia confirmada en el catálogo completo de 52 tipos; la captura HTML solo renderizaba 24 |
Aplicaciones concretas: (1) una vivienda por punto, superficie en x y precio en y, para detectar asociación y viviendas atípicas; (2) un paciente por punto, dosis en x y respuesta en y, para explorar patrones sin confundirlos con causalidad clínica; (3) una pieza por punto, temperatura de fabricación y dimensión final, para explorar control de calidad. Estos son ejemplos metodológicos, no resultados empíricos de esta PEC.
### Estructura, escalas y volumen
| Campo | Naturaleza y escala | Nivel y codificación |
|---|---|---|
| País o territorio | Dimensión nominal | Una fila y un punto; incluye entidades de OWID como Hong Kong |
| Continente | Dimensión nominal | Selector que atenúa los otros grupos |
| PIB por habitante | Medida cuantitativa de razón, dólares internacionales de 2011 PPA | Agregado nacional por habitante; x logarítmica |
| Esperanza de vida al nacer | Medida cuantitativa, duración en años, escala de razón | Indicador nacional de período; y lineal |
| Población | Medida cuantitativa de razón | Información de tabla/tooltip; no pondera los puntos ni la regresión |
Mínimo estructural: dos medidas por observación y valores válidos para ambas; la escala logarítmica requiere valores estrictamente positivos. No existe un mínimo universal de diez puntos ni un máximo de dos mil. Como orientación para un gráfico de unos 960 × 560, decenas a pocos miles pueden ser manejables, pero la concentración y el tamaño de las marcas determinan el límite perceptivo. Incluso pocos puntos pueden coincidir. Con pocos casos no debe inferirse una relación estable por la forma aparente.
Escenarios de incompatibilidad: una variable nominal no mide una relación cuantitativa → puntos por categoría o cajas; muchas marcas coincidentes → transparencia, hexbin o densidad 2D; grupos con relaciones distintas → facetas o resaltado para no ocultar patrones; logaritmos con ceros o negativos → revisar la escala, sin transformar arbitrariamente los datos para que encajen.
### Preparación, implementación e interpretación
Fuente: OWID, *Life expectancy vs. GDP per capita*. La combinación consultada usa UN WPP 2024 y Maddison Project Database 2023. El último año del CSV con al menos 150 casos completos es 2022; no se afirma que estén representados todos los países del mundo. Se seleccionan 165 registros con las medidas y población disponibles; se redondea PIB a unidades y esperanza de vida a una décima para su representación.
Se aparta explícita y provisionalmente el registro CAF–2022: la fuente publica 18,8177 años, un valor excepcional pendiente de validación independiente. La comprobación de OWID confirma que no es un error introducido por la conversión. No se afirma que se haya demostrado un error en la fuente ni se aplica un filtro genérico de esperanza de vida inferior a cuarenta. El CSV y `scatter.json` conservan el registro; la exclusión se declara en la página y en `data/procedencia.json`.
Se muestran 164 entidades sin ponderación por población. El ajuste por mínimos cuadrados sobre log10(PIB) da r = 0,8487, presentado como 0,85; al incluir CAF da 0,8091, presentado como 0,81. La dirección positiva se mantiene y la magnitud cambia. La pendiente es 11,31 años por una unidad de log10(PIB), una diferencia descriptiva entre países con PIB separado por un factor diez, no una ganancia causada al multiplicar la riqueza de un país.
Respecto al ajuste, EE. UU. queda −3,25 años; Nigeria, −15,14; España, +3,80; Japón, +4,93; Corea del Norte, +10,12. Un residuo no explica sus causas ni demuestra que un indicador sea incorrecto. El modelo no identifica un umbral especial en 20.000 dólares. En escala monetaria original la forma logarítmica implica asociaciones marginales decrecientes; en la escala x logarítmica la recta es lineal. No se infieren efectos individuales desde agregados nacionales.
**Datos → objetivo → técnica:** dos medidas por entidad permiten preguntar por su asociación. Las posiciones x e y muestran simultáneamente relación y excepciones, más directamente que dos conjuntos de barras separados. La selección comenzó por la técnica asignada: se buscaron dos medidas comparables por entidad cuya asociación y excepciones tuviesen interés. La posición en ejes comunes permite comparar valores de forma directa (Munzner, 2014, cap. 5). Para estudiantes y público general se destaca España, se limita el etiquetado y se explica qué significan las distancias logarítmicas. D3 permite controlar escala, etiquetas y búsqueda del punto más cercano. El selector resalta continentes; no elimina registros ni recalcula el ajuste global.
## 2. Slope chart
### Definición, mecánica y antecedentes
En la variante de dos extremos utilizada, cada categoría se representa con un segmento entre dos estados comparables. Categoría → línea; estado o fecha → lado; valor → posición vertical sobre una escala común. Así se comparan nivel, signo y magnitud del cambio y reordenación de categorías. No debe confundirse pendiente en valores con cambio de ranking: las distancias verticales representan la medida, no intervalos de un puesto.
El ejemplo de Tufte en *The Visual Display of Quantitative Information* (1983) compara ingresos fiscales de quince países en 1970 y 1979. Su explicación pública de 2011 documenta cómo se leen nivel, valores, cambios y pendientes excepcionales. No se conserva la atribución no acreditada del nombre a 2004. La familia general puede extenderse a más estados; aquí se investiga la variante habitual de dos extremos asignada como slope chart.
### Contraste entre catálogos y aplicaciones
| Fuente del aula | Clasificación o cobertura | Lectura crítica |
|---|---|---|
| Data Viz Project, Slope Chart | Chart; Comparison y Trend over time; Line | Ficha explícita para comparar valores y cambio |
| From Data to Viz | Sin ficha propia en el catálogo consultado | Su ausencia no demuestra discrepancia ni una integración declarada en otra familia |
| Data Visualisation Catalogue | Sin ficha propia en el catálogo consultado | Puede compararse con líneas o coordenadas paralelas como interpretación propia |
| Chartmaker Directory, API completa | Slope graph; Temporal → Trends; alias Slope chart y parallel coordinates | Ficha propia, igual que Data Viz Project; se contrasta con la ausencia de ficha en los otros dos catálogos |
Aplicaciones: intención de voto de cada partido en dos encuestas; precio del mismo producto antes y después; porcentaje de aprobados por centro en dos cursos. En cada caso deben mantenerse la definición del indicador, las unidades y poblaciones comparables. El gráfico muestra el cambio observado, no la causa ni el efecto de una intervención.
### Estructura, escalas, agregación y límites
La estructura abstracta es categoría × estado → medida. Puede guardarse en formato ancho (una fila por país y dos medidas) o largo (dos filas por país, con columnas país, año y cuota). La tabla ancha es una decisión de esta implementación, no una restricción de la técnica. País → nominal; años 2010 y 2023 → fechas en escala de intervalo; cuota de renovables → proporción, expresada en porcentaje. Se requiere un valor en cada extremo. La misma escala vertical conserva la relación entre pendiente y cambio absoluto; usar escalas diferentes haría engañosa la inclinación.
Se representan los 27 Estados miembros actuales en ambos años y el agregado UE-27 de Eurostat como referencia. El agregado es la cuota sobre consumo final bruto total, no la media aritmética de los 27 porcentajes; no entra en el ranking de países. Los cambios se expresan en puntos porcentuales, no como porcentajes de crecimiento de la cuota.
Como guía para el tamaño empleado, unas 5–30 líneas permiten comparaciones generales; no es un mínimo ni máximo matemático. La cercanía de valores puede causar saturación antes, como ocurre en la zona baja de 2010. La separación de etiquetas conserva sus anclajes mediante guías; el selector permite seguir un país. Si no basta: tabla o dumbbell para diferencias, bump chart si solo interesan puestos, paneles separados o selección de categorías con un criterio explícito. Para trayectorias intermedias, serie anual; con muy pocas categorías puede bastar una comparación directa; valores ausentes no deben rellenarse sin justificación.
### Preparación, implementación e interpretación
Fuente: Eurostat, `nrg_ind_ren`, frecuencia anual A, indicador REN y unidad PC. Se seleccionan 2010 y 2023 y se convierte JSON-stat a tabla ancha. No se recalculan cuotas ni se inventan valores; el redondeo a una décima es de presentación y el tooltip y la tabla usan la misma precisión.
Todos los países tienen cuota final mayor. España pasa de 13,782 % a 24,981 %: +11,199 p.p., mostrado como 13,8 → 25,0 y +11,2. Mantiene el puesto 13. El agregado UE pasa de 14,405 a 24,579 %. Los mayores aumentos: Dinamarca +21,840 p.p.; Suecia +20,294; Finlandia +18,618; Estonia +16,375. Suecia lidera ambos años. Dinamarca pasa del puesto 9 al 3 y Croacia del 5 al 9; Rumanía, del 8 al 10.
La cuota es un cociente: puede cambiar por variaciones de renovables, del consumo total o de ambos. No permite afirmar por sí sola un aumento de energía renovable absoluta, ni evaluar causalmente una política. Unir extremos no representa lo ocurrido cada año. «Ningún país baja» se refiere a la comparación final entre esos dos años, no a una subida ininterrumpida.
**Datos → objetivo → técnica:** la misma medida en dos fechas permite preguntar quién cambia y cuánto. Conectar extremos hace visible el cambio sin exigir restar mentalmente parejas de barras; cruces y etiquetas permiten interpretar reordenaciones. La técnica asignada motivó buscar medidas comparables en dos estados. La posición común permite comparar niveles y la inclinación orienta hacia cambios; las cifras y etiquetas completan la comparación precisa, sin asumir que el ángulo se lea con la misma exactitud (Munzner, 2014, cap. 5). La audiencia son periodistas y responsables de energía. España y el agregado UE tienen colores propios; el resto usa gris con contraste suficiente en ambos temas. D3 permite separar etiquetas, mantener sus guías y ofrecer selector y tabla para el seguimiento preciso.
## 3. Ridgeline plot
### Definición, mecánica y antecedentes
Compara distribuciones de una medida numérica en varios grupos. Valor → posición horizontal; grupo → fila; densidad estimada → altura de cada cresta. Las filas comparten eje x, escala de densidad y una superposición controlada. Cada curva de esta implementación está normalizada a área uno: la altura no es el número de días ni la probabilidad de un valor exacto; el área en un intervalo representa una proporción estimada.
La referencia visual popular es la portada de *Unknown Pleasures* (1979), que muestra señales de un púlsar, tal como recuerda Wilke (2017). No se identifica esa imagen de señales como una KDE de temperaturas ni como la invención única de todas las crestas. En 2017 Jenny Bryan propuso el nombre joyplot. Claus O. Wilke escribió ggjoy y en septiembre lo sustituyó por ggridges, adoptando ridgeline plot. Se corrige así la atribución confusa del paquete a Henrik Lindberg.
### Contraste entre catálogos y aplicaciones
| Fuente del aula | Clasificación o cobertura | Qué aporta |
|---|---|---|
| From Data to Viz, Ridgeline | Una variable numérica y grupos; función de distribución | Ficha explícita, superposición, orden y suavizado; orienta a alternativas con menos de unos seis grupos |
| Data Viz Project | Sin ficha propia en el catálogo consultado | Densidades y violines sirven como comparación conceptual, no como clasificación declarada del ridgeline |
| Data Visualisation Catalogue | Sin ficha propia en el catálogo consultado | Misma cautela ante la ausencia de ficha |
| Chartmaker Directory, API completa | Density plot; Categorical → Distributions; alias Ridgeline plot y joy plot | Identifica explícitamente el ridgeline como alias de una familia de densidades |
Aplicaciones: edades individuales agrupadas por década para ver desplazamiento y dispersión demográfica; respuestas numéricas a expresiones de probabilidad para comparar su ambigüedad; tiempos de espera por franja horaria para explorar colas. Las dos primeras coinciden con la estructura numérica por grupos que ejemplifica From Data to Viz. Son ejemplos de uso, no resultados adicionales generados para esta PEC.
### Datos, normalización, suavizado y límites
Datos originales: una fila por día de modelo con fecha y temperatura máxima diaria a dos metros. Temperatura en °C → continua de intervalo; mes → dimensión cíclica ordenada enero–diciembre; nivel de representación → distribución dentro de cada mes. Se conservan los 366 días de 2024, agrupados en doce conjuntos de 29–31 valores. Se trata de un año completo de una celda, no de una muestra aleatoria independiente de la climatología; los días consecutivos pueden estar relacionados.
La KDE gaussiana calcula, para cada temperatura x, la media de los núcleos centrados en las temperaturas diarias, dividida por el ancho de banda h = 1,2 °C. Se usa el mismo h y una única escala vertical para las doce filas. Es una elección descriptiva común para facilitar la comparación, no una obligación universal de la técnica ni una regla de significación estadística. El suavizado puede extender colas más allá de los extremos observados: los mínimos y máximos reales se consultan en la tabla.
No hay un mínimo universal de observaciones que garantice una densidad estable. Decenas por grupo permiten una vista descriptiva, pero no sustentan inferencias sobre pequeñas ondulaciones. Como guía visual se pueden considerar unos 6–30 grupos, según altura disponible y superposición; el umbral inferior orientativo procede de From Data to Viz y el superior es una pauta de diseño propia, no un límite declarado por el catálogo. Con pocos datos se prefieren puntos; con pocos grupos, cajas o violines según el objetivo; con demasiadas crestas, mapas de calor de distribuciones o paneles separados. Un heatmap no es sinónimo de horizon chart. Para valores exactos, tabla. Los grupos nominales también son válidos si se explica un orden por mediana, dominio u otro criterio pertinente.
### Fuente comprobada y preparación
La atribución anterior a ERA5 en exclusiva era incorrecta. La consulta de Open-Meteo sin selección de modelo reproduce exactamente las 366 máximas guardadas; una consulta con ERA5 explícito coincide solo en 14 días. Por ello se declara **Best Match**, selección predeterminada que combina IFS HRES, ERA5 y ERA5-Land según disponibilidad. La fuente es un producto de modelo que integra observaciones; no una estación meteorológica local.
Punto solicitado: 41,39 N, 2,17 E; celda devuelta: 41,441124 N, 2,2014387 E; zona horaria Europe/Madrid. La consulta exacta y el SHA-256 del archivo original se conservan en `data/procedencia.json` y la página enlaza la consulta reproducible. Las fuentes pueden revisar retrospectivamente los datos, por lo que se conserva el archivo utilizado.
Se agrupa por mes y se calculan resúmenes sin eliminar observaciones. La mediana promedia los dos valores centrales si n es par. Percentiles por interpolación lineal inclusiva, equivalentes a tipo 7; desviación típica poblacional de todos los días del mes. La tabla se presenta a una décima: las cifras exactas de control para medianas son abril 17,95; junio 24,85; septiembre 24,45; noviembre 18,75 °C.
### Hallazgos y justificación
La mediana es 15,2 °C en enero y 30,0 °C en agosto; enero no es necesariamente el mínimo de las doce medianas, pues diciembre es 14,2. Agosto tiene la menor desviación típica poblacional, aproximadamente 1,6 °C; 30 de 31 días tienen máxima ≥ 25 °C y 16 días ≥ 30 °C. Julio tiene la mayor dispersión, aproximadamente 3,3 °C, y una máxima de 37,1 °C. Abril abarca 14,4–26,6 °C. Estas comparaciones se apoyan en resúmenes calculados sobre los días, no en atribuir significado inferencial a la altura de cada ondulación.
**Datos → objetivo → técnica:** múltiples observaciones por mes permiten estudiar distribuciones, no solo promedios. Las crestas alineadas muestran desplazamiento y variabilidad conjuntamente; unas barras de medias perderían las diferencias internas. Partiendo de la técnica, se buscó una medida continua repetida por grupos; la alineación horizontal permite comparar desplazamientos de las distribuciones (Munzner, 2014, cap. 5). Para docencia y divulgación meteorológica se conserva el orden anual, una tonalidad común y marcas de mediana. D3 permite compartir escalas y suavizado. El puntero se vincula al área realmente pintada y el selector evita depender del solapamiento. Un año aislado no permite concluir una tendencia de cambio climático.
## 4. Diseño, accesibilidad y grabación
La paleta usa azul y naranja para distinguir España y referencias, apoyándose además en texto, posición y etiquetas; no se afirma una certificación de accesibilidad que no se haya realizado. Las líneas de contexto del slope tienen un color separado del eje y contraste reforzado en oscuro. Los selectores y las tablas proporcionan acceso por teclado; las imágenes de diapositivas llevan texto alternativo. La separación de etiquetas del slope conserva guías hasta sus valores reales, sin desplazar los puntos.
La biblioteca D3 7.9.0 y su licencia se incluyen en `vendor/`; los datos están incrustados. La carpeta completa funciona sin depender del CDN. El código permite ajustar escala, suavizado e interacción, pero la argumentación datos → objetivo → técnica se sostiene con otras herramientas.
El guion hablado es único; `tools/guion_corto.py` genera sus dos formatos y el desglose temporal. Cada técnica ocupa 2:15 de lectura y demostración; si termina el texto antes, se demuestra hasta completar el bloque. Objetivo 7:25, corte de seguridad 7:45 y límite absoluto 8:00. La duración real y la calidad de voz solo se validan ensayando y grabando con la voz del alumno. La memoria y las listas completas de diapositivas no se leen en el vídeo. La revisión Harvard aporta un ritmo efectivo previo de aproximadamente 117 palabras/min; se usa para planificar, demostrando mientras se narran los hallazgos y sin sumar silencios obligatorios.
## 5. Marco docente y citas
La abstracción de entidades, atributos, escalas, marcas y canales sigue el enfoque de Munzner (2014, caps. 2 y 5), recomendado expresamente en la bibliografía del aula; se han contrastado los recursos públicos de la autora. La organización por propósito de Schwabish (2021) diferencia tiempo (cap. 5), distribución (cap. 6) y relación (cap. 8), según el índice editorial consultado. Se distingue esta consulta de recursos y del índice de una lectura íntegra no acreditada de los libros. El material UOC (2025) fundamenta razonar primero sobre objetivo y técnica y elegir después la herramienta.
La guía de data.europa.eu (Oficina de Publicaciones de la Unión Europea, 2023) y Gil Bellosta (s.f.) complementan la separación entre datos, marcas y atributos visuales. Coll Campmany (2023, según la autocita del recurso conservado) orienta el uso deliberado del color; la coordinación figura fechada en 2020, pero no se confunde con el año de esa autocita.
Las referencias visibles en las diapositivas y los desplegables de la web siguen autor–año y remiten a la lista completa. Herschel (1833) y Galton (1886) se conocen aquí a través de Friendly y Denis (2005). Son citas secundarias, no obras consultadas de primera mano. Las fuentes de datos y sus versiones se separan de los años de observación; no se inventan fechas de publicación de webs o software sin fecha declarada. En el aviso de Eurostat se distingue CC BY 4.0 para contenido editorial de la autorización con atribución para datos estadísticos; se enlaza la política original y se identifica la selección y el redondeo propios.
## 6. Referencias bibliográficas (Harvard)
- Munzner, T. (2014) *Visualization analysis and design*. Boca Raton, FL: A K Peters/CRC Press. Caps. 2 y 5; recursos y figuras de la autora. Disponible en: (Consultado: 1 noviembre 2026).
- Schwabish, J. (2021) *Better data visualizations: a guide for scholars, researchers, and wonks*. Nueva York: Columbia University Press. Parte II: tiempo (cap. 5), distribución (cap. 6) y relación (cap. 8). Disponible en: (Consultado: 1 noviembre 2026).
- Universitat Oberta de Catalunya (2025) *La importancia del qué y el cómo en visualización de datos*. Material docente del aula, marzo. Barcelona: FUOC. Recurso del aula consultado en la copia local; no se redistribuye el material docente.
- Coll Campmany, N. (2023) *Cuaderno del Taller de color*. 1.ª ed. Barcelona: FUOC. Año indicado por la autocita del recurso; coordinación de G. San Cornelio (2020). Disponible en: (Consultado: 1 noviembre 2026).
- Gil Bellosta, C.J. (s.f.) *Introducción a ggplot2 y ggmap*. Barcelona: FUOC (PID_00235524). Recurso del aula consultado en la copia local; no se redistribuye el material docente.
- Friendly, M. y Denis, D. (2005) «The early origins and development of the scatterplot», *Journal of the History of the Behavioral Sciences*, 41(2), pp. 103–130. Disponible en: (Consultado: 1 noviembre 2026).
- Tufte, E.R. (1983) *The visual display of quantitative information*. Cheshire, CT: Graphics Press, pp. 158–159. Ejemplo reproducido y explicado por el autor en su página de 2011. Disponible en: (Consultado: 1 noviembre 2026).
- Tufte, E.R. (2011) *Slopegraphs for comparing gradients: slopegraph theory and practice*. Disponible en: (Consultado: 1 noviembre 2026).
- Wilke, C.O. (2017) *Goodbye joyplots*. 15 septiembre. Disponible en: (Consultado: 1 noviembre 2026).
- Wilke, C.O. (s.f.) *ggridges: Ridgeline plots in ggplot2*. Documentación del paquete. Disponible en: (Consultado: 1 noviembre 2026).
- Ferdio (s.f.) *Data Viz Project*. Fichas «Scatter Plot» y «Slope Chart». Disponible en: (Consultado: 1 noviembre 2026).
- Holtz, Y. y Healy, C. (2018) *From Data to Viz: Find the graphic you need*. Fichas «Scatterplot» y «Ridgeline». Disponible en: (Consultado: 1 noviembre 2026).
- Ribecca, S. (s.f.) *The Data Visualisation Catalogue*. Ficha «Scatterplot». Disponible en: (Consultado: 1 noviembre 2026).
- Kirk, A. (s.f.) *The Chartmaker Directory*. Visualising Data. Fichas «Scatter plot», «Slope graph» y «Density plot»; catálogo completo contrastado mediante su API pública. Disponible en: (Consultado: 1 noviembre 2026).
- Oficina de Publicaciones de la Unión Europea (2023) *Data Visualisation Guide*. data.europa.eu; apartados Grammar of Graphics, visualización de distribuciones y líneas. Disponible en: (Consultado: 1 noviembre 2026).
- Our World in Data (s.f.) *Life expectancy vs. GDP per capita* [conjunto de datos]. Selección de 2022; indicadores UN WPP 2024 y Maddison Project Database 2023 según la ficha de OWID. Disponible en: (Consultado: 1 noviembre 2026).
- Eurostat (2026) *Renewable energy share (nrg_ind_ren)* [conjunto de datos]. Comisión Europea. Versión conservada: actualización 15 septiembre; indicador REN, unidad PC, años seleccionados 2010 y 2023. Disponible en: (Consultado: 1 noviembre 2026).
- Eurostat (s.f.) *Copyright notice and free re-use of data*. Aviso editorial CC BY 4.0 y condiciones específicas de reutilización de estadísticas con atribución, conforme a la Decisión 2011/833/UE. Disponible en: (Consultado: 1 noviembre 2026).
- Open-Meteo (s.f.) *Historical Weather API* [API de datos, CC BY 4.0]. Selección Best Match; máximas diarias de 2024 en Barcelona. El año de observación no se usa como año de publicación de la API. Disponible en: (Consultado: 1 noviembre 2026).
- Bostock, M. (s.f.) *D3.js* (versión 7.9.0) [software]. Biblioteca incluida con su licencia ISC. Disponible en: (Consultado: 1 noviembre 2026).