TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling: Hans Rosling nos muestra las mejores estadísticas que hayamos visto
Filmed:
Readability: 3.6
14,386,844 views
Una manera única de presentar datos. Con la energía y la celeridad de un narrador deportivo, el gurú de las estadísticas Han Rosling derriba mitos sobre los denominados "países en vías de desarrollo".
Hans Rosling - Global health expert; data visionary
In Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus. Full bio
In Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus. Full bio
Double-click the English transcript below to play the video.
00:25
About 10 years ago, I took on the task to teach global development
0
0
4000
Hace unos 10 años, emprendí la tarea de enseñar desarrollo global
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
a estudiantes universitarios suecos. Fue después de haber pasado
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
unos 20 años estudiando las hambrunas en África con instituciones africanas,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
por lo que se esperaba que yo supiera algo sobre el mundo.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
En nuestra Universidad de Medicina, el Instituto Karolinska,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
di origen a un curso universitario llamado Salud Global. Pero cuando uno tiene
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
una oportunidad así, se pone un poco nervioso. Pensé: estos estudiantes
00:53
coming to us actually have the highest grade you can get
7
28000
3000
que vienen a aprender con nosotros tienen el nivel más alto que se puede
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
obtener en los sistemas universitarios suecos... pueden saber todo
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
lo que enseñaré. Por eso preparé una evaluación previa para cuando llegaran
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Una de las preguntas de la cual aprendí mucho fue esta:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
"¿Qué país tiene el mayor índice de mortalidad infantil de estos cinco pares?"
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Agrupé los países de manera tal de que en cada par
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
uno de los países tuviera el doble de mortalidad infantil que el otro. Y esto implica que
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
la diferencia es mucho mayor que la incertidumbre de los datos.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
No los evaluaré ahora, pero la respuesta es Turquía,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
con el índice más alto, Polonia, Rusia, Paquistán y Sudáfrica.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
Y estos fueron los resultados de los estudiantes suecos. Lo hice para obtener
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
el intervalo de confianza, que resultó bastante limitado, y me sentí feliz,
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
sin duda: un 1,8 de respuestas correctas en 5 posibles. Esto significa que
01:41
there was a place for a professor of international health --
20
76000
3000
había lugar para un profesor de salud internacional...
01:44
(Laughter) and for my course.
21
79000
2000
(Risas) y para mi curso.
01:46
But one late night, when I was compiling the report
22
81000
4000
Pero una noche, mientras recopilaba datos para un informe
01:50
I really realized my discovery. I have shown
23
85000
4000
realmente tomé conciencia de mi descubrimiento. He demostrado
01:54
that Swedish top students know statistically significantly less
24
89000
5000
que, estadísticamente, los estudiantes suecos de primer nivel tienen un conocimiento
01:59
about the world than the chimpanzees.
25
94000
2000
del mundo significativamente más bajo que los chimpancés.
02:01
(Laughter)
26
96000
2000
(Risas).
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Porque un chimpancé lograría la mitad del puntaje correcto si le diera
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
dos bananas con Sri Lanka y Turquía. Estarían en lo correcto la mitad de las veces.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Pero los estudiantes no logran ese resultado. Para mí el problema no fue la ignorancia:
02:14
it was preconceived ideas.
30
109000
3000
sino las ideas preconcebidas.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
También realicé un estudio no muy ético de los profesores del Instituto Karolinska
02:21
(Laughter)
32
116000
1000
(Risas).
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
...el mismo que entrega el Premio Nobel de Medicina...
02:24
and they are on par with the chimpanzee there.
34
119000
2000
y están al mismo nivel que los chimpancés en este tema.
02:26
(Laughter)
35
121000
3000
(Risas).
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Fue ahí cuando me di cuenta de que existía una necesidad real de comunicar
02:33
because the data of what's happening in the world
37
128000
3000
porque los datos de lo que está sucediendo en el mundo
02:36
and the child health of every country is very well aware.
38
131000
3000
y la salud infantil en cada país se conocen bien.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Diseñamos este software que se visualiza así: cada burbuja es un país.
02:44
This country over here is China. This is India.
40
139000
6000
Este país que ven aquí es China. Este es India.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
El tamaño de la burbuja representa la población, y en este eje pongo la tasa de fertilidad.
02:56
Because my students, what they said
42
151000
3000
Porque lo que respondían mis estudiantes
02:59
when they looked upon the world, and I asked them,
43
154000
2000
cuando analizaban el mundo, y les pregunté:
03:01
"What do you really think about the world?"
44
156000
2000
"¿Qué piensan realmente del mundo?"
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Bueno, lo primero que descubrí es que su principal libro de referencia era Tintin.
03:07
(Laughter)
46
162000
1000
(Risas)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Y respondieron que el mundo sigue siendo `nosotros´ y `ellos´.
03:11
And we is Western world and them is Third World."
48
166000
3000
Y nosotros significa el Mundo Occidental y ellos el Tercer Mundo"
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
Les pregunté qué era para ellos el mundo occidental
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
"Bueno, larga vida y familia pequeña, y el Tercer Mundo es corta vida y familia numerosa"
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Eso es lo que puedo mostrar aquí. Pongo la tasa de fertilidad aquí: la cantidad de hijos por mujer,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
uno, dos, tres, cuatro, hasta ocho por mujer.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Tenemos buenos datos desde 1960-1962 sobre el tamaño familiar en todos los países.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
El margen de error es pequeño. Aquí pongo la expectativa de vida al nacer,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
que va de 30 años en algunos países a más de 70.
03:45
And 1962, there was really a group of countries here
56
200000
3000
Y en 1962, realmente había una cantidad de países aquí.
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
Países industrializados que tenían familias pequeñas y largas vidas.
03:53
And these were the developing countries:
58
208000
2000
Y estos eran los países en desarrollo:
03:55
they had large families and they had relatively short lives.
59
210000
3000
tenían familias numerosas y vidas relativamente cortas.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
Ahora, ¿qué sucedió desde 1962? Queremos ver el cambio.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
¿Los estudiantes están en lo cierto? ¿Todavía existen dos tipos de países?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
¿O estos países en desarrollo han optado por familias más pequeñas y viven aquí?
04:09
Or have they got longer lives and live up there?
63
224000
2000
¿O tienen mayor expectativa de vida y viven hasta aquí?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Veamos. Detuvimos el mundo en este punto. Todas estas estadísticas son de la ONU.
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
Aquí vamos. ¿Pueden ver allí?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
Es China, que se aleja de la mejor salud allí, pero mejora allá.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Todos los países en verde de América Latina tienden a constituir familias más pequeñas.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Los amarillos que ven aquí son los países árabes,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
con familias más grandes, pero ellos ---no, vidas más largas, pero no familias más grandes.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Los africanos son los verdes de aquí abajo. Siguen estando aquí.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Esta es India. Indonesia se mueve bastante rápido.
04:36
(Laughter)
72
251000
1000
(Risas)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
Y en la década del 80 está Bangladesh aún entre los países africanos.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Pero Bangladesh es un milagro de los 80:
04:43
the imams start to promote family planning.
75
258000
3000
los imanes empiezan a promover la planificación familiar.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Se desplazan hacia aquel extremo. Y en los 90, tenemos la terrible epidemia del VIH
04:51
that takes down the life expectancy of the African countries
77
266000
3000
que reduce la expectativa de vida en los países africanos.
04:54
and all the rest of them move up into the corner,
78
269000
4000
Y todo el resto se mueve hacia arriba, a la esquina,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
donde tenemos muchos años de vida y familias pequeñas y un mundo completamente nuevo.
05:02
(Applause)
80
277000
13000
(Aplausos).
05:15
Let me make a comparison directly between the United States of America and Vietnam.
81
290000
5000
Permítanme hacer una comparación directamente entre Estados Unidos de América y Vietnam.
05:20
1964: America had small families and long life;
82
295000
5000
1964: Estados Unidos tenía familias pequeñas y larga expectativa de vida.
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
Vietnam tenía familias numerosas y poca expectativa de vida. Y sucedió lo siguiente:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
los datos durante la guerra indican que aun con todas las muertes,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
hubo una mejora en la expectativa de vida. Hacia finales del año,
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
se inició la planificación familiar en Vietnam y surgieron las familias más pequeñas.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Y Estados Unidos allá arriba está logrando una vida más larga,
05:44
keeping family size. And in the '80s now,
88
319000
3000
manteniendo el mismo tamaño familiar. Y en los 80,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
abandonaron la planificación comunista y adoptaron la economía de mercado,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
y se mueve aún más rápido que la vida social. Y hoy, tenemos
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
en Vietnam la misma expectativa de vida y el mismo tamaño de familias,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
aquí en Vietnam, en 2003, que en Estados Unidos, en 1974, hacia el fin de la guerra.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Creo que todos... al no observar los datos...
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
desestimamos el tremendo cambio producido en Asia, donde
06:14
in social change before we saw the economical change.
95
349000
4000
ya se estaba produciendo un cambio social antes de que viéramos el cambio económico.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Vayamos a otro modo en el que podríamos demostrar
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
la distribución de ingresos en el mundo. Esta es la distribución mundial de ingresos de las personas.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Un dólar, 10 dólares o 100 dólares por día.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Ya no existe la brecha entre los ricos y pobres. Es un mito.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Aquí hay una pequeña protuberancia. Pero hay personas en toda la extensión.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
Y si vemos dónde termina el ingreso, este
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
es 100% el ingreso anual del mundo. Y el 20% más rico,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
ellos representan aproximadamente 74%. Y el 20% más pobre,
07:01
they take about two percent. And this shows that the concept
104
396000
5000
ellos representan aproximadamente el 2%. Y esto demuestra que el concepto
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
de países en desarrollo es sumamente dudoso. Concebimos a la ayuda como
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
"esta gente de aquí brinda ayuda a esta gente de aquí". Pero en el medio,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
tenemos a la mayor parte de la población mundial, y ellos tienen ahora 24% del ingreso.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Lo escuchamos en otras formas. Y ¿quiénes son ellos?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
¿Cuáles son los países diferentes? Les puedo mostrar África.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Esto es África. El 10% de la población mundial, la mayoría en condiciones de pobreza.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Esto es la OCDE. El país rico. El club privado de la ONU.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Y están aquí, de este lado. Bastante superposición entre África y la OCDE.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Y esto es América Latina. Tiene todo lo que hay en este mundo,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
desde los más pobres a los más ricos están en América Latina.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Y además de eso, podemos poner a Europa del Este, Asia del Este,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
y Asia del Sur. Y ¿cómo se veía, si volvemos el tiempo atrás,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
a aproximadamente 1970? Había más protuberancia.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
Y tenemos que la mayoría de los que vivían en pobreza extrema eran asiáticos.
08:07
The problem in the world was the poverty in Asia. And if I now let the world move forward,
119
462000
7000
El problema en el mundo era la pobreza en Asia. Ahora si dejamos que el mundo avance,
08:14
you will see that while population increase, there are
120
469000
3000
verán que si bien aumenta la población, hay
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
cientos de millones en Asia que están saliendo de la pobreza y algunos otros
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
están entrando a la pobreza y este es el mismo patrón que tenemos hoy.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
Y la mejor proyección del Banco Mundial es que esto seguirá sucediendo,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
y no tendremos un mundo dividido. Tendremos a la mayor parte de las personas en el medio.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
Por supuesto que esta es una escala logarítmica,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
pero nuestro concepto de economía es crecimiento con porcentaje. La consideramos
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
como una posibilidad de incremento del percentil. Si cambio esto, y tomo el
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
PIB per cápita en vez del ingreso familiar, y transformo estos
08:48
individual data into regional data of gross domestic product,
129
503000
6000
datos individuales en datos regionales del producto bruto interno,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
y tomo las regiones que están aquí, el tamaño de la burbuja sigue siendo la población.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
Y allí tienen a la OCDE, a África Subsahariana allá,
09:01
and we take off the Arab states there,
132
516000
3000
y sacamos los estados árabes de allí,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
los que vienen de África y Asia, y los separamos,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
y podemos ampliar el eje, y puedo darle una nueva dimensión allí,
09:13
by adding the social values there, child survival.
135
528000
3000
al agregar valores sociales allí, como la supervivencia infantil.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Ahora tengo en aquel eje el dinero y la posibilidad de supervivencia infantil.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
En algunos países, 99,7% de los niños sobreviven hasta los cinco años;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
en otros, sólo el 70%. Y parece que aquí se abre una brecha
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
entre la OCDE, América Latina, Europa del Este, Asia del Este,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
los estados árabes, Asia del Sur y África Subsahariana.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
La linealidad entre supervivencia infantil y dinero es muy sólida.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Pero permítanme dividir a los países de África Subsahariana.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Puedo irme aquí y dividir a África Subsahariana en sus países.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Y cuando explota, el tamaño de la burbuja de su país es el tamaño de la población.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Sierra Leona allí. Isla Mauricio está allí arriba. Isla Mauricio fue el primer país
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
en deshacerse de las barreras comerciales, y pudieron vender su azúcar.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Pudieron vender sus textiles en los mismos términos que en Europa y América del Norte.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Hay una inmensa diferencia entre los países de África. Y Ghana está aquí en el medio.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
En Sierra Leona, ayuda humanitaria.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Aquí en Uganda, ayuda para el desarrollo. Aquí, tiempo de invertir, aquí,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
podemos ir de vacaciones. La diferencia es enorme
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
dentro de África y rara vez la hacemos... creemos que todo es igual.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Puedo dividir a Asia del Sur aquí. India es la gran burbuja del medio.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Pero hay una gran diferencia entre Afganistán y Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Puedo separar a los estados árabes. ¿Cómo son? Tienen el mismo clima, la misma cultura,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
la misma religión. Grandes diferencias. Hasta entre países vecinos.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
Yemen, guerra civil. Los Emiratos Árabes Unidos, dinero igualitariamente distribuido y bien usado.
10:54
Not as the myth is. And that includes all the children of the foreign workers who are in the country.
158
629000
7000
No como dice el mito. Y esto incluye a los hijos de trabajadores extranjeros que están en el país.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Los datos generalmente son mejores de lo que piensan. Muchos dicen que son negativos.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Existe un margen de incertidumbre, pero podemos ver la diferencia aquí:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Camboya, Singapur. Las diferencias son mucho más grandes
11:11
than the weakness of the data. East Europe:
162
646000
3000
que los errores de los datos. Europa del Este:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
economía soviética por mucho tiempo, pero la abandonaron hace diez años
11:20
very, very differently. And there is Latin America.
164
655000
3000
y de maneras muy, muy diferentes. Y ahí está América Latina.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Hoy no tenemos que irnos a Cuba para encontrar un país saludable dentro de América Latina.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
En unos pocos años, Chile tendrá una tasa de mortalidad infantil más baja que la cubana.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
Y aquí tenemos a los países de altos ingresos de la OCDE.
11:35
And we get the whole pattern here of the world,
168
670000
4000
Y así tenemos aquí todo el esquema del mundo,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
que es más o menos este. Y si lo observamos,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
vemos cómo se ve -- el mundo, en 1960, comienza a moverse. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Este es Mao Tse-tung. Él llevó la salud a China. Y después murió.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Y luego llegó Deng Xiaoping, trajo dinero a China y los reorientó al mundo dominante.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Y hemos visto cómo los países se mueven en diferentes direcciones así,
12:02
so it's sort of difficult to get
174
697000
4000
por lo tanto es difícil encontrar
12:06
an example country which shows the pattern of the world.
175
701000
5000
un país que sirva de ejemplo del patrón del mundo.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Regresemos aquí, a 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Me gustaría comparar Corea del Sur, que es esto, con Brasil,
12:27
which is this one. The label went away for me here. And I would like to compare Uganda,
178
722000
5000
que es esto. Se me salió el nombre aquí. Y me gustaría comparar Uganda
12:32
which is there. And I can run it forward, like this.
179
727000
5000
que está allí. Y puedo avanzar, así.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Y pueden ver cómo Corea del Sur progresa muy rápidamente,
12:46
whereas Brazil is much slower.
181
741000
3000
mientras que Brasil es mucho más lento.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Y si volvemos atrás nuevamente, y ponemos marcas, así,
12:55
you can see again that the speed of development
183
750000
4000
nuevamente se puede ver que la velocidad de desarrollo
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
es muy, muy diferente, y que los países se mueven más o menos
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
a la misma velocidad que el dinero y la salud, pero parece que se puede avanzar
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
mucho más rápido si en primer lugar se tiene salud y no riqueza.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Y para demostrar esto, podemos seguir el camino de los Emiratos Árabes Unidos.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Provienen de aquí, un país minero. Acumularon todo el petróleo,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
tienen todo el dinero, pero la salud no se puede comprar en el supermercado.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
Hay que invertir en salud. Hay que hacer que los niños accedan a la escolaridad.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
Hay que capacitar al personal sanitario. Hay que educar a la población.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
Y el Sheikh Sayed lo hizo bastante bien.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Y a pesar de la caída de los precios del petróleo, llevó a este país hasta aquí.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Por lo tanto, tenemos una apariencia mucho más dominante en el mundo,
13:43
where all countries tend to use their money
195
798000
2000
donde los países tienden a usar su dinero
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
mejor que en el pasado. Ahora, esto sucede, más o menos,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
si observan los datos promedio de los países. Son así.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Ahora, esto es peligroso, usar datos promedios, porque existen muchas
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
diferencias entre los países. Por lo tanto si me fijo aquí, podemos ver
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
que hoy Uganda está donde estaba Corea del Sur en 1960. Si divido a Uganda,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
hay muchas diferencias dentro de Uganda. Estos son los quintiles de Uganda.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
El 20% más rico de los ugandeses están ahí.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Los más pobres allí abajo. Si divido a Sudáfrica es así.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Si bajo y miro lo que sucede en Níger, donde hubo una terrible hambruna,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
finalmente es así. El 20% más pobre de Níger está aquí,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
y el 20% más rico de África del Sur está allá,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
y sin embargo tendemos a debatir sobre las soluciones posibles para África.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
En África existe todo lo posible en este mundo. Y no se puede
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
debatir el acceso universal a las [medicinas] del VIH por este quintil aquí
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
con la misma estrategia que allí. Las mejoras en el mundo
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
deben estar contextualizadas y no es relevante hacerlas
15:00
on regional level. We must be much more detailed.
212
875000
3000
a nivel regional. Debemos ser mucho más detallistas.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Encontramos que los estudiantes se entusiasman cuando pueden usar esto.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
Y hasta los responsables de las políticas y los sectores corporativos quisieran ver
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
cómo está cambiando el mundo. Ahora, ¿por qué no sucede esto?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
¿No estamos usando los datos que tenemos? Tenemos datos de las Naciones Unidas,
15:20
in the national statistical agencies
217
895000
2000
de las agencias nacionales de estadísticas,
15:22
and in universities and other non-governmental organizations.
218
897000
4000
de las universidades y de organizaciones no gubernamentales.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Porque los datos se esconden en base de datos.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
Y el público está allí, Internet está allí, pero todavía no lo usamos eficientemente.
15:33
All that information we saw changing in the world
221
908000
3000
Toda esta información de cambio en el mundo que vimos
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
no incluye las estadísticas financiadas por organismos públicos. Hay algunas páginas web
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
como esta, pero toman parte de su información de las bases de datos,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
pero cobran por acceder a ellas, hay que ingresar claves tontas y hay estadísticas aburridas.
15:51
(Laughter) (Applause)
225
926000
3000
(Risas). (Aplausos).
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Y esto no funciona. Entonces, ¿qué hace falta? Tenemos las bases de datos.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
No se necesitan nuevas bases de datos. Tenemos maravillosas herramientas de diseño,
16:02
and more and more are added up here. So we started
228
937000
3000
y se agregan más y más. Por esto creamos
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
una empresa sin fines de lucro para unir datos con diseño
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
que llamamos Gapminder, del metro de Londres, donde se advierte:
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
"cuidado con el agujero". Por eso pensamos que Gapminder era el nombre adecuado.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Y empezamos a diseñar un software para vincular los datos así.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Y fue simple. A algunas personas les llevó años y ahora nosotros podemos producir animaciones.
16:26
You can take a data set and put it there.
234
961000
2000
Se pueden tomar datos fijos y ponerlos allí.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Estamos liberando datos de la ONU, de algunas organizaciones de la ONU.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Algunos países aceptan que sus bases de datos puedan salir del país,
16:37
but what we really need is, of course, a search function.
237
972000
3000
pero lo que realmente necesitamos, sin duda, es una función de búsqueda.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Una función donde podamos copiar los datos en un formato apto para consulta
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
y darlo a conocer al mundo. Y ¿qué escuchamos?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
He estudiado antropología según las principales unidades estadísticas. Todo el mundo dice:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
"Es imposible. No se puede hacer así. Nuestra información es tan peculiar
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
que no puede investigarse como se investigan otras áreas.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
No podemos proporcionar los datos a los estudiantes, a los empresarios del mundo gratis".
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Pero esto es lo que quisiéramos ver, ¿verdad?
17:08
The publicly-funded data is down here.
245
1003000
3000
Los datos financiados por organismos públicos están aquí.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
Y nos gustaría que crecieran flores en Internet.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Y lo más importante es hacer que estos datos se puedan consultar y que todos puedan usar
17:19
the different design tool to animate it there.
248
1014000
2000
las diferentes herramientas de diseño para animarlos.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Y les tengo una buena noticia: el actual
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
Director de Estadísticas de la ONU dice que no es imposible.
17:30
He only says, "We can't do it."
251
1025000
2000
Sólo dice: "No podemos hacerlo".
17:32
(Laughter)
252
1027000
4000
(Risas).
17:36
And that's a quite clever guy, huh?
253
1031000
2000
Es bastante inteligente, ¿verdad?
17:38
(Laughter)
254
1033000
2000
(Risas).
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Podemos ver que sucederán muchas cosas con los datos en los próximos años.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Podremos ver la distribución de ingresos en formas totalmente nuevas.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Esta es la distribución de ingresos de China, 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
La distribución de ingresos de Estados Unidos, 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Casi no se superponen en ningún punto. ¿Y qué ha sucedido?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Ha sucedido lo siguiente: que China está creciendo, ya no es tan igualitaria,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
y está apareciendo aquí, sobrepasando a Estados Unidos.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Casi como un fantasma, ¿verdad?
18:14
(Laughter)
263
1069000
2000
(Risas).
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
Es atemorizante. Pero creo que es importante contar con toda esta información.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Realmente necesitamos verla. Y en vez de cerrar con esto,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
me gustaría mostrarles la cantidad de usuarios de Internet por cada 1000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
En este software, accedemos a unas 500 variables de todos los países fácilmente.
18:42
It takes some time to change for this,
268
1097000
4000
Lleva unos minutos cargar esto,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
pero en los ejes se puede obtener fácilmente cualquier variable que se quisiera considerar.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
Y el objetivo es acceder gratuitamente a las bases de datos,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
hacerlas aptas para consulta, y con un segundo clic, transformarlas
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
en formatos gráficos, donde se puedan comprender instantáneamente.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Ahora, esto no es del agrado de los estadistas porque dicen
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
que no muestra la realidad. Hay que tener métodos estadísticos, analíticos.
19:16
But this is hypothesis-generating.
275
1131000
3000
Pero esto es generar hipótesis.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Ahora termino con el mundo. Allí, está llegando Internet.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
La cantidad de usuarios de Internet está creciendo así. Este es el PIB per cápita.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
Y está la nueva tecnología que vendrá, pero sorprendentemente, qué bien
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
se adapta a la economía de los países. Por eso será tan importante
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
el ordenador de 100 dólares. Pero es una tendencia agradable.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
Es como si el mundo se estuviera achatando, ¿verdad? Estos países
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
están aumentando algo más que la economía y será interesante
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
considerarlo durante un año, y me gustaría que pudieran hacerlo
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
con todos los datos financiados por organismos públicos. Muchas gracias.
19:53
(Applause)
285
1168000
3000
(Aplausos)
ABOUT THE SPEAKER
Hans Rosling - Global health expert; data visionaryIn Hans Rosling’s hands, data sings. Global trends in health and economics come to vivid life. And the big picture of global development—with some surprisingly good news—snaps into sharp focus.
Why you should listen
Even the most worldly and well-traveled among us have had their perspectives shifted by Hans Rosling. A professor of global health at Sweden's Karolinska Institute, his work focused on dispelling common myths about the so-called developing world, which (as he pointed out) is no longer worlds away from the West. In fact, most of the Third World is on the same trajectory toward health and prosperity, and many countries are moving twice as fast as the west did.
What set Rosling apart wasn't just his apt observations of broad social and economic trends, but the stunning way he presented them. Guaranteed: You've never seen data presented like this. A presentation that tracks global health and poverty trends should be, in a word: boring. But in Rosling's hands, data sings. Trends come to life. And the big picture — usually hazy at best — snaps into sharp focus.
Rosling's presentations were grounded in solid statistics (often drawn from United Nations and World Bank data), illustrated by the visualization software he developed. The animations transform development statistics into moving bubbles and flowing curves that make global trends clear, intuitive and even playful. During his legendary presentations, Rosling took this one step farther, narrating the animations with a sportscaster's flair.
Rosling developed the breakthrough software behind his visualizations through his nonprofit Gapminder, founded with his son and daughter-in-law. The free software — which can be loaded with any data — was purchased by Google in March 2007. (Rosling met the Google founders at TED.)
Rosling began his wide-ranging career as a physician, spending many years in rural Africa tracking a rare paralytic disease (which he named konzo) and discovering its cause: hunger and badly processed cassava. He co-founded Médecins sans Frontièrs (Doctors without Borders) Sweden, wrote a textbook on global health, and as a professor at the Karolinska Institut in Stockholm initiated key international research collaborations. He's also personally argued with many heads of state, including Fidel Castro.
Hans Rosling passed away in February 2017. He is greatly missed.
Hans Rosling | Speaker | TED.com