TEDNYC
Mona Chalabi: 3 ways to spot a bad statistic
Mona Chalabi: Trzy sposoby na wychwycenie złej statystyki
Filmed:
Readability: 4.2
1,888,599 views
Czasem trudno znaleźć statystyki godne zaufania. Nie możemy jednak skreślać ich wszystkich... Zamiast tego trzeba się nauczyć, jak czytać to, co kryje się za nimi. W tej zachwycającej i zabawnej prelekcji dziennikarka danych Mona Chalabi udziela wskazówek, jak kwestionować, interpretować i rozumieć to, co naprawdę mówią nam liczby.
Mona Chalabi - Data journalist
Mona Chalabi tries to take the numb out of numbers. She's left with lots of "ers." Full bio
Mona Chalabi tries to take the numb out of numbers. She's left with lots of "ers." Full bio
Double-click the English transcript below to play the video.
00:12
Now, I'm going to be talking
about statistics today.
about statistics today.
0
884
2763
Dziś będzie o statystyce.
Trochę podejrzliwości w tej kwestii
00:15
If that makes you immediately feel
a little bit wary, that's OK,
a little bit wary, that's OK,
1
3671
3138
nie robi z was szalonych
wyznawców teorii spiskowych.
wyznawców teorii spiskowych.
00:18
that doesn't make you some
kind of crazy conspiracy theorist,
kind of crazy conspiracy theorist,
2
6833
2859
00:21
it makes you skeptical.
3
9716
1296
To zwykły sceptycyzm.
00:23
And when it comes to numbers,
especially now, you should be skeptical.
especially now, you should be skeptical.
4
11036
3886
A jeśli chodzi o liczby, zwłaszcza teraz,
sceptycyzm jest wskazany.
sceptycyzm jest wskazany.
Trzeba też umieć
wskazać wiarygodne liczby,
wskazać wiarygodne liczby,
00:26
But you should also be able to tell
which numbers are reliable
which numbers are reliable
5
14946
3011
jak i te, które wiarygodne nie są.
00:29
and which ones aren't.
6
17981
1160
Istnieje kilka narzędzi,
które mogą w tym pomóc.
które mogą w tym pomóc.
00:31
So today I want to try to give you
some tools to be able to do that.
some tools to be able to do that.
7
19165
3206
Zanim do tego przejdziemy,
00:34
But before I do,
8
22395
1169
00:35
I just want to clarify which numbers
I'm talking about here.
I'm talking about here.
9
23588
2839
chciałabym wyjaśnić,
o które liczby mi chodzi.
o które liczby mi chodzi.
Nie mówię o twierdzeniach typu
00:38
I'm not talking about claims like,
10
26451
1635
"9 na 10 kobiet poleca ten krem
przeciw starzeniu".
przeciw starzeniu".
00:40
"9 out of 10 women recommend
this anti-aging cream."
this anti-aging cream."
11
28110
2449
Sądzę, że wiele osób ma
po dziurki w nosie takich liczb.
po dziurki w nosie takich liczb.
00:42
I think a lot of us always
roll our eyes at numbers like that.
roll our eyes at numbers like that.
12
30583
2972
Sęk w tym, że obecnie ludzie
kwestionują statystyki typu
kwestionują statystyki typu
00:45
What's different now is people
are questioning statistics like,
are questioning statistics like,
13
33579
2984
"Bezrobocie w USA wynosi 5%".
00:48
"The US unemployment
rate is five percent."
rate is five percent."
14
36587
2014
Różnica polega na tym, że nie jest to
oświadczenie prywatnej firmy,
oświadczenie prywatnej firmy,
00:50
What makes this claim different is
it doesn't come from a private company,
it doesn't come from a private company,
15
38625
3516
a rządu.
00:54
it comes from the government.
16
42165
1388
00:55
About 4 out of 10 Americans
distrust the economic data
distrust the economic data
17
43577
3336
4 na 10 Amerykanów nie ufa
rządowym raportom ekonomicznym.
rządowym raportom ekonomicznym.
00:58
that gets reported by government.
18
46937
1573
Wśród zwolenników Donalda Trumpa
01:00
Among supporters of President Trump
it's even higher;
it's even higher;
19
48534
2491
jest ich więcej, bo aż 7 na 10.
01:03
it's about 7 out of 10.
20
51049
1633
01:04
I don't need to tell anyone here
21
52706
1804
Nie muszę nikomu mówić,
jak bardzo społeczeństwo USA
jest obecnie podzielone.
jest obecnie podzielone.
01:06
that there are a lot of dividing lines
in our society right now,
in our society right now,
22
54534
3011
Wiele z tych podziałów jest zrozumiałych,
01:09
and a lot of them start to make sense,
23
57569
1825
jeśli weźmie się pod uwagę
stosunek obywateli do rządowych statystyk.
stosunek obywateli do rządowych statystyk.
01:11
once you understand people's relationships
with these government numbers.
with these government numbers.
24
59418
3687
01:15
On the one hand, there are those who say
these statistics are crucial,
these statistics are crucial,
25
63129
3336
Jedni mówią, że statystyki są niezbędne
01:18
that we need them to make sense
of society as a whole
of society as a whole
26
66489
2630
do zrozumienia społeczeństwa jako całości,
01:21
in order to move beyond
emotional anecdotes
emotional anecdotes
27
69143
2164
by móc przezwyciężyć emocje
01:23
and measure progress in a subjective way.
28
71331
2410
i zmierzyć postęp w obiektywny sposób.
01:25
And then there are the others,
29
73765
1467
Inni twierdzą,
01:27
who say that these statistics are elitist,
30
75256
2156
że to zmanipulowane statystyki
tworzone przez elity,
tworzone przez elity,
01:29
maybe even rigged;
31
77436
1208
które nie mają sensu i nie odzwierciedlają
01:30
they don't make sense
and they don't really reflect
and they don't really reflect
32
78668
2394
01:33
what's happening
in people's everyday lives.
in people's everyday lives.
33
81086
2296
codziennej rzeczywistości Amerykanów.
01:35
It kind of feels like that second group
is winning the argument right now.
is winning the argument right now.
34
83406
3487
Wydaje się, że druga strona
jest teraz na fali wznoszącej.
jest teraz na fali wznoszącej.
Żyjemy w świecie alternatywnych faktów,
01:38
We're living in a world
of alternative facts,
of alternative facts,
35
86917
2108
gdzie ludzie nie uważają
statystyk za wspólny grunt,
statystyk za wspólny grunt,
01:41
where people don't find statistics
this kind of common ground,
this kind of common ground,
36
89049
2935
01:44
this starting point for debate.
37
92008
1636
za punkt wyjścia do debaty.
To jest problem.
01:45
This is a problem.
38
93668
1286
01:46
There are actually
moves in the US right now
moves in the US right now
39
94978
2067
W USA są obecne tendencje zmierzające
01:49
to get rid of some government
statistics altogether.
statistics altogether.
40
97069
2861
do całkowitego zaprzestania
zbierania niektórych danych.
zbierania niektórych danych.
01:51
Right now there's a bill in congress
about measuring racial inequality.
about measuring racial inequality.
41
99954
3387
Kongres pracuje obecnie nad ustawą
o nierównościach rasowych.
o nierównościach rasowych.
Projekt zakłada,
01:55
The draft law says that government
money should not be used
money should not be used
42
103365
2801
że finanse publiczne nie mogą służyć
zbieraniu danych na temat
zbieraniu danych na temat
01:58
to collect data on racial segregation.
43
106190
1902
segregacji rasowej.
02:00
This is a total disaster.
44
108116
1885
To katastrofa.
Jak bez tego mamy
monitorować dyskryminację,
monitorować dyskryminację,
02:02
If we don't have this data,
45
110025
1748
02:03
how can we observe discrimination,
46
111797
1778
a co dopiero jej zapobiegać?
02:05
let alone fix it?
47
113599
1278
02:06
In other words:
48
114901
1188
Innymi słowy,
jak rząd chce prowadzić
sprawiedliwą politykę,
sprawiedliwą politykę,
02:08
How can a government create fair policies
49
116113
2059
02:10
if they can't measure
current levels of unfairness?
current levels of unfairness?
50
118196
2771
nie wiedząc, jaki jest aktualny poziom
niesprawiedliwości?
niesprawiedliwości?
02:12
This isn't just about discrimination,
51
120991
1794
Nie chodzi jedynie o dyskryminację,
02:14
it's everything -- think about it.
52
122809
1670
ale także o wiele innych dziedzin.
02:16
How can we legislate on health care
53
124503
1690
Jak tworzyć prawo o służbie zdrowia
bez danych o zdrowiu czy o biedzie?
02:18
if we don't have good data
on health or poverty?
on health or poverty?
54
126217
2271
Jak ma wyglądać
publiczna debata o imigracji
publiczna debata o imigracji
02:20
How can we have public debate
about immigration
about immigration
55
128512
2198
bez wiedzy o tym,
02:22
if we can't at least agree
56
130734
1250
ile osób wjeżdża do kraju,
a ile z niego wyjeżdża?
a ile z niego wyjeżdża?
02:24
on how many people are entering
and leaving the country?
and leaving the country?
57
132008
2643
Wyraz "statystyka" pochodzi
od łacińskiego "status" - państwo.
od łacińskiego "status" - państwo.
02:26
Statistics come from the state;
that's where they got their name.
that's where they got their name.
58
134675
3058
Jej celem było mierzenie populacji,
02:29
The point was to better
measure the population
measure the population
59
137757
2157
żeby lepiej jej służyć.
02:31
in order to better serve it.
60
139938
1357
Rządowe liczby są nam niezbędne,
02:33
So we need these government numbers,
61
141319
1725
ale nie możemy ich jedynie
ślepo akceptować
ślepo akceptować
02:35
but we also have to move
beyond either blindly accepting
beyond either blindly accepting
62
143068
2647
02:37
or blindly rejecting them.
63
145739
1268
lub ślepo odrzucać.
Musimy posiąść umiejętność
wyławiania złych statystyk.
wyławiania złych statystyk.
02:39
We need to learn the skills
to be able to spot bad statistics.
to be able to spot bad statistics.
64
147031
2997
Zaczęłam się tego uczyć
02:42
I started to learn some of these
65
150052
1528
podczas pracy w Departamencie Statystyki
02:43
when I was working
in a statistical department
in a statistical department
66
151604
2166
w ONZ.
02:45
that's part of the United Nations.
67
153794
1643
02:47
Our job was to find out how many Iraqis
had been forced from their homes
had been forced from their homes
68
155461
3406
Należało sprawdzić, ilu Irakijczyków
musiało opuścić domy
musiało opuścić domy
w wyniku wojny
02:50
as a result of the war,
69
158891
1158
i czego potrzebowali.
02:52
and what they needed.
70
160073
1158
Nasza praca była szalenie ważna,
a jednocześnie niezwykle trudna.
a jednocześnie niezwykle trudna.
02:53
It was really important work,
but it was also incredibly difficult.
but it was also incredibly difficult.
71
161255
3178
Każdego dnia podejmowaliśmy decyzje,
02:56
Every single day, we were making decisions
72
164457
2018
które miały wpływ na dokładność liczb,
02:58
that affected the accuracy
of our numbers --
of our numbers --
73
166499
2157
w który rejon kraju trzeba pojechać,
03:00
decisions like which parts
of the country we should go to,
of the country we should go to,
74
168680
2744
z kim należy rozmawiać,
03:03
who we should speak to,
75
171448
1156
jakie zadać pytania.
03:04
which questions we should ask.
76
172628
1568
Powoli traciłam złudzenia
względem naszej pracy,
względem naszej pracy,
03:06
And I started to feel
really disillusioned with our work,
really disillusioned with our work,
77
174220
2680
bo myśleliśmy, że wykonujemy
kawał dobrej roboty,
kawał dobrej roboty,
03:08
because we thought we were doing
a really good job,
a really good job,
78
176924
2518
ale dane mogliśmy otrzymać
tylko od Irakijczyków,
tylko od Irakijczyków,
03:11
but the one group of people
who could really tell us were the Iraqis,
who could really tell us were the Iraqis,
79
179466
3278
którzy mieli małe szanse znaleźć,
03:14
and they rarely got the chance to find
our analysis, let alone question it.
our analysis, let alone question it.
80
182768
3540
a co dopiero zakwestionować nasze analizy.
03:18
So I started to feel really determined
81
186332
1831
W efekcie rosła moja pewność,
03:20
that the one way to make
numbers more accurate
numbers more accurate
82
188187
2311
że dokładność liczb będzie tym większa,
im więcej ludzi będzie
w stanie je zakwestionować.
w stanie je zakwestionować.
03:22
is to have as many people as possible
be able to question them.
be able to question them.
83
190522
3053
Dlatego zostałam dziennikarką danych.
03:25
So I became a data journalist.
84
193599
1434
03:27
My job is finding these data sets
and sharing them with the public.
and sharing them with the public.
85
195057
3904
Wyszukuję dane i je rozpowszechniam.
Każdy może to robić,
03:30
Anyone can do this,
you don't have to be a geek or a nerd.
you don't have to be a geek or a nerd.
86
198985
3173
nie trzeba być geekiem czy nerdem.
Zignorujcie te dwa słowa.
03:34
You can ignore those words;
they're used by people
they're used by people
87
202182
2355
Dzięki nim ludzie chcą wyjść na skromnych
03:36
trying to say they're smart
while pretending they're humble.
while pretending they're humble.
88
204561
2822
i jednocześnie inteligentnych.
Absolutnie każdy może to robić.
03:39
Absolutely anyone can do this.
89
207407
1589
Mam do was trzy pytania,
03:41
I want to give you guys three questions
90
209020
2067
które pomogą wam
zidentyfikować złe statystyki.
zidentyfikować złe statystyki.
03:43
that will help you be able to spot
some bad statistics.
some bad statistics.
91
211111
3005
Pytanie numer 1:
"Czy widzisz przypadkowość danych?".
"Czy widzisz przypadkowość danych?".
03:46
So, question number one
is: Can you see uncertainty?
is: Can you see uncertainty?
92
214140
3507
03:49
One of things that's really changed
people's relationship with numbers,
people's relationship with numbers,
93
217671
3364
Jedną z rzeczy, które zmieniły
stosunek ludzi do liczb
stosunek ludzi do liczb
i podważyły zaufanie do mediów,
03:53
and even their trust in the media,
94
221059
1641
03:54
has been the use of political polls.
95
222724
2258
są sondaże poparcia partii politycznych.
Osobiście mam z nimi problem,
03:57
I personally have a lot of issues
with political polls
with political polls
96
225006
2538
bo uważam, że rolą dziennikarza powinno
być zdawanie relacji z faktów,
być zdawanie relacji z faktów,
03:59
because I think the role of journalists
is actually to report the facts
is actually to report the facts
97
227568
3376
a nie próba ich przewidywania.
04:02
and not attempt to predict them,
98
230968
1553
04:04
especially when those predictions
can actually damage democracy
can actually damage democracy
99
232545
2996
Zwłaszcza, że takie próby mogą być
szkodliwe dla demokracji,
szkodliwe dla demokracji,
wysyłając sygnał:
nie warto głosować na tego faceta,
nie warto głosować na tego faceta,
04:07
by signaling to people:
don't bother to vote for that guy,
don't bother to vote for that guy,
100
235565
2732
on i tak nie ma szans.
04:10
he doesn't have a chance.
101
238321
1205
Zostawmy to i porozmawiajmy
o dokładności tych starań.
o dokładności tych starań.
04:11
Let's set that aside for now and talk
about the accuracy of this endeavor.
about the accuracy of this endeavor.
102
239550
3654
04:15
Based on national elections
in the UK, Italy, Israel
in the UK, Italy, Israel
103
243228
4608
Bazując na wynikach wyborów
w Wielkiej Brytanii, we Włoszech, Izraelu
w Wielkiej Brytanii, we Włoszech, Izraelu
04:19
and of course, the most recent
US presidential election,
US presidential election,
104
247860
2764
i oczywiście ostatnich wyborów w USA,
04:22
using polls to predict electoral outcomes
105
250648
2137
przewidywanie ich wyniku
na podstawie sondaży
na podstawie sondaży
04:24
is about as accurate as using the moon
to predict hospital admissions.
to predict hospital admissions.
106
252809
3812
daje taki sam rezultat, jak przewidywanie
na podstawie wróżenia z fusów.
na podstawie wróżenia z fusów.
Użyłam badań naukowych
dla zobrazowania problemu.
dla zobrazowania problemu.
04:28
No, seriously, I used actual data
from an academic study to draw this.
from an academic study to draw this.
107
256645
4200
Sondaże utraciły wiarygodność
z wielu powodów.
z wielu powodów.
04:32
There are a lot of reasons why
polling has become so inaccurate.
polling has become so inaccurate.
108
260869
3727
04:36
Our societies have become really diverse,
109
264620
1970
Różnorodność społeczeństw wzrosła,
04:38
which makes it difficult for pollsters
to get a really nice representative sample
to get a really nice representative sample
110
266614
3821
wskutek czego ankieterzy mają trudność
ze znalezieniem reprezentatywnej
grupy ludzi do badania.
grupy ludzi do badania.
04:42
of the population for their polls.
111
270459
1627
Ludzie niechętnie biorą udział
w ankietach telefonicznych,
w ankietach telefonicznych,
04:44
People are really reluctant to answer
their phones to pollsters,
their phones to pollsters,
112
272110
3006
a także, co może szokować, kłamią.
04:47
and also, shockingly enough,
people might lie.
people might lie.
113
275140
2276
04:49
But you wouldn't necessarily
know that to look at the media.
know that to look at the media.
114
277440
2811
Jednak niekoniecznie
dowiecie się o tym z mediów.
dowiecie się o tym z mediów.
04:52
For one thing, the probability
of a Hillary Clinton win
of a Hillary Clinton win
115
280275
2761
Po pierwsze, prawdopodobieństwo
wygranej Hillary Clinton
wygranej Hillary Clinton
04:55
was communicated with decimal places.
116
283060
2791
podano z dokładnością
do kilku miejsc po przecinku.
do kilku miejsc po przecinku.
W ten sposób nie mierzy się temperatury.
04:57
We don't use decimal places
to describe the temperature.
to describe the temperature.
117
285875
2621
05:00
How on earth can predicting the behavior
of 230 million voters in this country
of 230 million voters in this country
118
288520
4228
Jakim cudem można tak dokładnie
przewidzieć zachowanie 230 milionów ludzi?
przewidzieć zachowanie 230 milionów ludzi?
05:04
be that precise?
119
292772
1829
Wszyscy pamiętamy te wymuskane wykresy.
05:06
And then there were those sleek charts.
120
294625
2002
05:08
See, a lot of data visualizations
will overstate certainty, and it works --
will overstate certainty, and it works --
121
296651
3973
Wiele z nich jest przesadnie
dokładna i to działa.
dokładna i to działa.
05:12
these charts can numb
our brains to criticism.
our brains to criticism.
122
300648
2620
Wykresy usypiają nasz zmysł krytyczny.
05:15
When you hear a statistic,
you might feel skeptical.
you might feel skeptical.
123
303292
2558
Statystyki mogą wzbudzać sceptycyzm.
Statystyka w formie wykresu
05:17
As soon as it's buried in a chart,
124
305874
1635
05:19
it feels like some kind
of objective science,
of objective science,
125
307533
2129
wydaje się obiektywnym badaniem,
ale nim nie jest.
05:21
and it's not.
126
309686
1249
Dlatego szukałam lepszego
sposobu na pokazanie danych,
sposobu na pokazanie danych,
05:22
So I was trying to find ways
to better communicate this to people,
to better communicate this to people,
127
310959
3103
żeby zobrazować przypadkowość
rządzącą statystyką.
rządzącą statystyką.
05:26
to show people the uncertainty
in our numbers.
in our numbers.
128
314086
2504
Zaczęłam brać prawdziwe zestawy danych
05:28
What I did was I started taking
real data sets,
real data sets,
129
316614
2246
i na ich podstawie rysować ręczne wykresy,
05:30
and turning them into
hand-drawn visualizations,
hand-drawn visualizations,
130
318884
2652
05:33
so that people can see
how imprecise the data is;
how imprecise the data is;
131
321560
2672
żeby pokazać ich nieprecyzyjność
i że za tym stoi tylko człowiek,
05:36
so people can see that a human did this,
132
324256
1996
05:38
a human found the data and visualized it.
133
326276
1972
który te dane znalazł i zwizualizował.
05:40
For example, instead
of finding out the probability
of finding out the probability
134
328272
2672
Na przykład, zamiast przedstawiać
prawdopodobieństwo
prawdopodobieństwo
05:42
of getting the flu in any given month,
135
330968
2126
zachorowania na grypę w danym miesiącu,
widać tu sugestywny podział
na sezony grypowe.
na sezony grypowe.
05:45
you can see the rough
distribution of flu season.
distribution of flu season.
136
333118
2792
Jak widać...
05:47
This is --
137
335934
1167
(Śmiech)
05:49
(Laughter)
138
337125
1018
Luty to pechowy miesiąc.
05:50
a bad shot to show in February.
139
338167
1486
Ale taka wizualizacja jest
bardziej odpowiedzialna,
bardziej odpowiedzialna,
05:51
But it's also more responsible
data visualization,
data visualization,
140
339677
2455
bo gdyby przedstawić
dokładne prawdopodobieństwa,
dokładne prawdopodobieństwa,
05:54
because if you were to show
the exact probabilities,
the exact probabilities,
141
342156
2455
to mogłoby to zachęcać do szczepień
05:56
maybe that would encourage
people to get their flu jabs
people to get their flu jabs
142
344635
2592
w nieodpowiednim czasie.
05:59
at the wrong time.
143
347251
1456
06:01
The point of these shaky lines
144
349163
1693
Celem tych koślawych linii
06:02
is so that people remember
these imprecisions,
these imprecisions,
145
350880
2911
jest sprawienie,
by ludzie zapamiętali brak precyzji,
by ludzie zapamiętali brak precyzji,
06:05
but also so they don't necessarily
walk away with a specific number,
walk away with a specific number,
146
353815
3227
a także, by zamiast określonych liczb
utrwalili sobie ważne fakty.
06:09
but they can remember important facts.
147
357066
1866
Niesprawiedliwość czy nierówność
zostawiają ogromne ślady w naszym życiu.
zostawiają ogromne ślady w naszym życiu.
06:10
Facts like injustice and inequality
leave a huge mark on our lives.
leave a huge mark on our lives.
148
358956
4024
Albo fakt, że Afroamerykanie
i Indianie średnio żyją krócej,
i Indianie średnio żyją krócej,
06:15
Facts like Black Americans and Native
Americans have shorter life expectancies
Americans have shorter life expectancies
149
363004
4189
niż inne grupy etniczne
06:19
than those of other races,
150
367217
1400
i że to się szybko nie zmieni.
06:20
and that isn't changing anytime soon.
151
368641
2138
Albo że więźniowie w Stanach
mogą być przetrzymywani
mogą być przetrzymywani
06:22
Facts like prisoners in the US
can be kept in solitary confinement cells
can be kept in solitary confinement cells
152
370803
3901
w izolatce niewiele większej
niż miejsce parkingowe.
niż miejsce parkingowe.
06:26
that are smaller than the size
of an average parking space.
of an average parking space.
153
374728
3342
06:30
The point of these visualizations
is also to remind people
is also to remind people
154
378535
3335
Celem jest też przypomnienie ludziom
o kilku ważnych pojęciach
z dziedziny statystyki,
z dziedziny statystyki,
06:33
of some really important
statistical concepts,
statistical concepts,
155
381894
2350
jak średnia.
06:36
concepts like averages.
156
384268
1636
06:37
So let's say you hear a claim like,
157
385928
1668
Weźmy takie twierdzenie:
06:39
"The average swimming pool in the US
contains 6.23 fecal accidents."
contains 6.23 fecal accidents."
158
387620
4434
"Na każdym basenie w USA
zdarza się średnio 6,23 wypróżnień".
zdarza się średnio 6,23 wypróżnień".
To nie znaczy, że w każdym
amerykańskim basenie
amerykańskim basenie
06:44
That doesn't mean every single
swimming pool in the country
swimming pool in the country
159
392078
2797
pływa dokładnie 6,23 odchodów.
06:46
contains exactly 6.23 turds.
160
394899
2194
06:49
So in order to show that,
161
397117
1417
Żeby to pokazać,
06:50
I went back to the original data,
which comes from the CDC,
which comes from the CDC,
162
398558
2841
wzięłam oryginalne dane
z agencji rządowej,
z agencji rządowej,
06:53
who surveyed 47 swimming facilities.
163
401423
2065
która przebadała 47 basenów.
Spędziłam jeden wieczór
na rozdysponowywaniu kup.
na rozdysponowywaniu kup.
06:55
And I just spent one evening
redistributing poop.
redistributing poop.
164
403512
2391
06:57
So you can kind of see
how misleading averages can be.
how misleading averages can be.
165
405927
2682
Jak widać, średnia może być myląca.
07:00
(Laughter)
166
408633
1282
(Śmiech)
07:01
OK, so the second question
that you guys should be asking yourselves
that you guys should be asking yourselves
167
409939
3901
Drugie pytanie, jakie powinno was uchronić
07:05
to spot bad numbers is:
168
413864
1501
przed mylącymi liczbami, to:
07:07
Can I see myself in the data?
169
415389
1967
"Czy dostrzegam siebie w danych?".
07:09
This question is also
about averages in a way,
about averages in a way,
170
417380
2913
W pewnym sensie to pytanie
dotyczy także średniej,
dotyczy także średniej,
07:12
because part of the reason
why people are so frustrated
why people are so frustrated
171
420317
2605
gdyż część frustracji
wywołanej rządowymi liczbami
wywołanej rządowymi liczbami
07:14
with these national statistics,
172
422946
1495
spowodowana jest tym,
07:16
is they don't really tell the story
of who's winning and who's losing
of who's winning and who's losing
173
424465
3273
że nie pokazują one, kto korzysta,
a kto traci na polityce państwa.
07:19
from national policy.
174
427762
1156
07:20
It's easy to understand why people
are frustrated with global averages
are frustrated with global averages
175
428942
3318
Łatwo zrozumieć frustrację ludzi
uśrednionymi liczbami,
uśrednionymi liczbami,
skoro nijak to się ma
do ich osobistych doświadczeń.
do ich osobistych doświadczeń.
07:24
when they don't match up
with their personal experiences.
with their personal experiences.
176
432284
2679
Chciałam pokazać związek
między danymi a życiem codziennym.
między danymi a życiem codziennym.
07:26
I wanted to show people the way
data relates to their everyday lives.
data relates to their everyday lives.
177
434987
3263
07:30
I started this advice column
called "Dear Mona,"
called "Dear Mona,"
178
438274
2246
Zaczęłam prowadzić rubrykę "Droga Mono",
gdzie ludzie mieli zadawać mi pytania,
07:32
where people would write to me
with questions and concerns
with questions and concerns
179
440544
2726
a ja miałam odpowiadać
za pomocą statystyki.
za pomocą statystyki.
07:35
and I'd try to answer them with data.
180
443294
1784
Pytano mnie o wszystko.
07:37
People asked me anything.
181
445102
1200
07:38
questions like, "Is it normal to sleep
in a separate bed to my wife?"
in a separate bed to my wife?"
182
446326
3261
"Czy to normalne, że śpimy z żoną
w osobnych łóżkach?".
w osobnych łóżkach?".
07:41
"Do people regret their tattoos?"
183
449611
1591
"Czy ludzie żałują tatuaży?".
07:43
"What does it mean to die
of natural causes?"
of natural causes?"
184
451226
2164
"Co to znaczy umrzeć
z przyczyn naturalnych?".
z przyczyn naturalnych?".
07:45
All of these questions are great,
because they make you think
because they make you think
185
453414
2966
Te pytania są świetne,
bo zmuszają do poszukiwania
bo zmuszają do poszukiwania
07:48
about ways to find
and communicate these numbers.
and communicate these numbers.
186
456404
2336
sposobu na przedstawienie ich
za pomocą liczb.
za pomocą liczb.
07:50
If someone asks you,
"How much pee is a lot of pee?"
"How much pee is a lot of pee?"
187
458764
2503
Jeśli ktoś was zapyta:
"Ile moczu to dużo moczu?",
"Ile moczu to dużo moczu?",
07:53
which is a question that I got asked,
188
461291
2458
o co zresztą mnie zapytano,
07:55
you really want to make sure
that the visualization makes sense
that the visualization makes sense
189
463773
2980
to wizualizacja powinna być zrozumiała
07:58
to as many people as possible.
190
466777
1747
dla jak największej liczby ludzi.
08:00
These numbers aren't unavailable.
191
468548
1575
Te liczby naprawdę istnieją.
08:02
Sometimes they're just buried
in the appendix of an academic study.
in the appendix of an academic study.
192
470147
3507
Czasem są po prostu ukryte
w aneksach do badań naukowych.
w aneksach do badań naukowych.
08:05
And they're certainly not inscrutable;
193
473678
1839
Nie są to też liczby niesprawdzalne.
08:07
if you really wanted to test
these numbers on urination volume,
these numbers on urination volume,
194
475541
2975
Jeśli naprawdę chcesz
zbadać objętość moczu,
zbadać objętość moczu,
08:10
you could grab a bottle
and try it for yourself.
and try it for yourself.
195
478540
2257
możesz wziąć butelkę
i wypróbować na sobie.
i wypróbować na sobie.
(Śmiech)
08:12
(Laughter)
196
480821
1008
Nie chodzi o to,
08:13
The point of this isn't necessarily
197
481853
1694
08:15
that every single data set
has to relate specifically to you.
has to relate specifically to you.
198
483571
2877
żeby każdy zestaw danych
odnosił się konkretnie do mnie.
odnosił się konkretnie do mnie.
08:18
I'm interested in how many women
were issued fines in France
were issued fines in France
199
486472
2880
Interesuje mnie, ile kobiet
we Francji dostało mandat
we Francji dostało mandat
08:21
for wearing the face veil, or the niqab,
200
489376
1959
za zakrywanie twarzy nikabem,
08:23
even if I don't live in France
or wear the face veil.
or wear the face veil.
201
491359
2618
choć nie mieszkam we Francji
i nie noszę nikabu.
i nie noszę nikabu.
08:26
The point of asking where you fit in
is to get as much context as possible.
is to get as much context as possible.
202
494001
3835
Pytanie o nasze miejsce w liczbach
pozwala określić jak najszerszy kontekst.
pozwala określić jak najszerszy kontekst.
08:29
So it's about zooming out
from one data point,
from one data point,
203
497860
2191
Chodzi o przyjrzenie się
danemu wskaźnikowi,
danemu wskaźnikowi,
08:32
like the unemployment rate
is five percent,
is five percent,
204
500075
2104
na przykład 5-procentowemu bezrobociu,
i jak się to zmieniało w danym okresie
08:34
and seeing how it changes over time,
205
502203
1757
08:35
or seeing how it changes
by educational status --
by educational status --
206
503984
2650
lub jak wpływa na nie wykształcenie,
08:38
this is why your parents always
wanted you to go to college --
wanted you to go to college --
207
506658
3104
dlatego wasi rodzice zawsze chcieli,
żebyście poszli na studia,
żebyście poszli na studia,
08:41
or seeing how it varies by gender.
208
509786
2032
albo jak to wygląda w zależności od płci.
08:43
Nowadays, male unemployment rate is higher
209
511842
2127
Obecnie bezrobocie
jest wyższe wśród mężczyzn
jest wyższe wśród mężczyzn
08:45
than the female unemployment rate.
210
513993
1700
niż wśród kobiet.
08:47
Up until the early '80s,
it was the other way around.
it was the other way around.
211
515717
2695
Aż do wczesnych lat 80. było odwrotnie.
08:50
This is a story of one
of the biggest changes
of the biggest changes
212
518436
2117
To jedna z największych zmian
08:52
that's happened in American society,
213
520577
1720
w amerykańskim społeczeństwie.
08:54
and it's all there in that chart,
once you look beyond the averages.
once you look beyond the averages.
214
522321
3276
Dostrzeżemy ją na wykresie,
o ile nie ograniczymy się do średniej.
o ile nie ograniczymy się do średniej.
Wykresy mówią wszystko:
08:57
The axes are everything;
215
525621
1165
08:58
once you change the scale,
you can change the story.
you can change the story.
216
526810
2669
zmiana skali modyfikuje narrację.
09:01
OK, so the third and final question
that I want you guys to think about
that I want you guys to think about
217
529503
3380
Trzecie i ostatnie pytanie,
które powinno przyjść do głowy,
które powinno przyjść do głowy,
09:04
when you're looking at statistics is:
218
532907
1819
kiedy patrzycie na wykres, to:
"W jaki sposób zebrano dane?".
09:06
How was the data collected?
219
534750
1873
Dotąd mówiliśmy jedynie o tym,
jak dane są rozpowszechniane,
jak dane są rozpowszechniane,
09:09
So far, I've only talked about the way
data is communicated,
data is communicated,
220
537667
2939
jednak sposób ich gromadzenia
jest równie ważny.
jest równie ważny.
09:12
but the way it's collected
matters just as much.
matters just as much.
221
540630
2276
Wiem, że to trudne,
09:14
I know this is tough,
222
542930
1167
bo metodologie mogą być niejasne i nudne,
09:16
because methodologies can be opaque
and actually kind of boring,
and actually kind of boring,
223
544121
3081
ale istnieje kilka prostych
sposobów, aby to sprawdzić.
sposobów, aby to sprawdzić.
09:19
but there are some simple steps
you can take to check this.
you can take to check this.
224
547226
2873
09:22
I'll use one last example here.
225
550123
1839
Posłużę się jeszcze jednym przykładem.
09:24
One poll found that 41 percent of Muslims
in this country support jihad,
in this country support jihad,
226
552309
3887
Badania wykazały, że 41% muzułmanów
w Stanach popiera dżihad,
w Stanach popiera dżihad,
09:28
which is obviously pretty scary,
227
556220
1525
co jest przerażające.
09:29
and it was reported everywhere in 2015.
228
557769
2642
Było o tym głośno w 2015 roku.
09:32
When I want to check a number like that,
229
560435
2615
Kiedy chcę sprawdzić podobne dane,
09:35
I'll start off by finding
the original questionnaire.
the original questionnaire.
230
563074
2501
zaczynam od przejrzenia
oryginalnej ankiety.
oryginalnej ankiety.
09:37
It turns out that journalists
who reported on that statistic
who reported on that statistic
231
565599
2926
Okazuje się, że dziennikarze,
którzy donieśli o wynikach,
którzy donieśli o wynikach,
09:40
ignored a question
lower down on the survey
lower down on the survey
232
568549
2231
zignorowali następne pytanie
z kwestionariusza,
z kwestionariusza,
09:42
that asked respondents
how they defined "jihad."
how they defined "jihad."
233
570804
2346
gdzie respondenci mieli
podać definicję "dżihadu".
podać definicję "dżihadu".
09:45
And most of them defined it as,
234
573174
1981
Większość zrozumiała to pojęcie jako
09:47
"Muslims' personal, peaceful struggle
to be more religious."
to be more religious."
235
575179
3942
"osobistą, pokojową walkę każdego
muzułmanina o bycie bardziej religijnym".
muzułmanina o bycie bardziej religijnym".
09:51
Only 16 percent defined it as,
"violent holy war against unbelievers."
"violent holy war against unbelievers."
236
579145
4194
Tylko 16% zdefiniowało to jako
"świętą wojnę przeciwko niewiernym".
"świętą wojnę przeciwko niewiernym".
09:55
This is the really important point:
237
583363
2430
Nasuwa się jeden ważny wniosek.
09:57
based on those numbers,
it's totally possible
it's totally possible
238
585817
2155
Bazując na tych danych,
jest bardzo możliwe,
jest bardzo możliwe,
09:59
that no one in the survey
who defined it as violent holy war
who defined it as violent holy war
239
587996
3105
że nikt, kto w ankiecie określił dżihad
jako krwawą świętą wojnę,
jako krwawą świętą wojnę,
10:03
also said they support it.
240
591125
1332
jednocześnie jej nie poparł.
10:04
Those two groups might not overlap at all.
241
592481
2208
Te dwie grupy mogą się
w ogóle nie pokrywać.
w ogóle nie pokrywać.
10:07
It's also worth asking
how the survey was carried out.
how the survey was carried out.
242
595122
2637
Warto też zapytać,
jak badanie zostało wykonane.
jak badanie zostało wykonane.
10:09
This was something called an opt-in poll,
243
597783
1998
To była zwykła internetowa ankieta,
10:11
which means anyone could have found it
on the internet and completed it.
on the internet and completed it.
244
599805
3402
którą w sieci mógł znaleźć
i wypełnić dosłownie każdy.
i wypełnić dosłownie każdy.
10:15
There's no way of knowing
if those people even identified as Muslim.
if those people even identified as Muslim.
245
603231
3339
Nie da się sprawdzić,
czy ci ludzie w ogóle byli muzułmanami.
czy ci ludzie w ogóle byli muzułmanami.
10:18
And finally, there were 600
respondents in that poll.
respondents in that poll.
246
606594
2612
Co więcej, w ankiecie
wzięło udział około 600 osób.
wzięło udział około 600 osób.
10:21
There are roughly three million
Muslims in this country,
Muslims in this country,
247
609230
2654
Według danych Pew Research Center
w USA mieszka obecnie
w USA mieszka obecnie
10:23
according to Pew Research Center.
248
611908
1607
około 3 mln muzułmanów.
10:25
That means the poll spoke to roughly
one in every 5,000 Muslims
one in every 5,000 Muslims
249
613539
2993
Jeden głos w ankiecie przypada
na około 5 tysięcy muzułmanów
na około 5 tysięcy muzułmanów
10:28
in this country.
250
616556
1168
mieszkających w USA.
10:29
This is one of the reasons
251
617748
1266
To między innymi dlatego
10:31
why government statistics
are often better than private statistics.
are often better than private statistics.
252
619038
3607
rządowe dane są często lepsze,
niż te z sektora prywatnego.
niż te z sektora prywatnego.
10:34
A poll might speak to a couple
hundred people, maybe a thousand,
hundred people, maybe a thousand,
253
622669
3035
Badanie opinii publicznej może trafić
do najwyżej tysiąca osób,
do najwyżej tysiąca osób,
chyba że jesteście L'Orealem
i chcecie sprzedać krem w 2005 roku.
i chcecie sprzedać krem w 2005 roku.
10:37
or if you're L'Oreal, trying to sell
skin care products in 2005,
skin care products in 2005,
254
625728
3058
10:40
then you spoke to 48 women
to claim that they work.
to claim that they work.
255
628810
2417
Wtedy mówicie 48 kobietom, że to działa.
10:43
(Laughter)
256
631251
1026
(Śmiech)
10:44
Private companies don't have a huge
interest in getting the numbers right,
interest in getting the numbers right,
257
632301
3556
Prywatne firmy nie mają interesu
w pokazywaniu wiarygodnych liczb.
w pokazywaniu wiarygodnych liczb.
10:47
they just need the right numbers.
258
635881
1755
Interesują je tylko te korzystne.
10:49
Government statisticians aren't like that.
259
637660
2020
Statystycy rządowi tacy nie są.
10:51
In theory, at least,
they're totally impartial,
they're totally impartial,
260
639704
2447
Przynajmniej teoretycznie są bezstronni
10:54
not least because most of them do
their jobs regardless of who's in power.
their jobs regardless of who's in power.
261
642175
3501
i pracują bez względu na to,
kto jest obecnie u władzy.
kto jest obecnie u władzy.
10:57
They're civil servants.
262
645700
1162
Oni służą obywatelom.
10:58
And to do their jobs properly,
263
646886
1964
Żeby wykonać swą pracę dobrze,
11:00
they don't just speak
to a couple hundred people.
to a couple hundred people.
264
648874
2363
nie odnoszą się jedynie do garstki ludzi.
11:03
Those unemployment numbers
I keep on referencing
I keep on referencing
265
651261
2318
Liczby o bezrobociu,
do których wciąż powracam,
do których wciąż powracam,
11:05
come from the Bureau of Labor Statistics,
266
653603
2004
pochodzą z Biura Statystyk Zatrudnienia,
11:07
and to make their estimates,
267
655631
1335
a szacunki są robione
11:08
they speak to over 140,000
businesses in this country.
businesses in this country.
268
656990
3489
na podstawie wywiadów
z około 140 tysiącami firm w kraju.
z około 140 tysiącami firm w kraju.
11:12
I get it, it's frustrating.
269
660503
1725
Rozumiem, to frustrujące.
Jeśli chcesz sprawdzić wiarygodność
statystyk prywatnej firmy,
statystyk prywatnej firmy,
11:14
If you want to test a statistic
that comes from a private company,
that comes from a private company,
270
662252
3115
to kupujesz krem do twarzy
sobie i znajomym, testujesz go,
sobie i znajomym, testujesz go,
11:17
you can buy the face cream for you
and a bunch of friends, test it out,
and a bunch of friends, test it out,
271
665391
3361
i jeśli nie działa,
to mówisz, że liczby kłamią.
to mówisz, że liczby kłamią.
11:20
if it doesn't work,
you can say the numbers were wrong.
you can say the numbers were wrong.
272
668776
2591
A co ze statystykami rządowymi?
11:23
But how do you question
government statistics?
government statistics?
273
671391
2146
Tutaj trzeba sprawdzić wszystko.
11:25
You just keep checking everything.
274
673561
1630
Jak zbierane są dane,
11:27
Find out how they collected the numbers.
275
675215
1913
czy na wykresie widać to, co trzeba.
11:29
Find out if you're seeing everything
on the chart you need to see.
on the chart you need to see.
276
677152
3125
Ale nie wolno rezygnować z liczb.
11:32
But don't give up on the numbers
altogether, because if you do,
altogether, because if you do,
277
680301
2965
Rezygnacja da władzy zielone światło
do prowadzenia niejasnej polityki,
do prowadzenia niejasnej polityki,
11:35
we'll be making public policy
decisions in the dark,
decisions in the dark,
278
683290
2439
gdzie najważniejszy będzie
jej własny interes.
jej własny interes.
11:37
using nothing but private
interests to guide us.
interests to guide us.
279
685753
2262
Dziękuję.
11:40
Thank you.
280
688039
1166
(Brawa)
11:41
(Applause)
281
689229
2461
ABOUT THE SPEAKER
Mona Chalabi - Data journalistMona Chalabi tries to take the numb out of numbers. She's left with lots of "ers."
Why you should listen
After working for a humanitarian organisation, Mona Chalabi saw how important data was, but also how easily it could be used by people with their own specific agendas. Since then, her work for organizations like Transparency International and The Guardian has had one goal: to make sure as many people as possible can find and question the data they need to make informed decisions about their lives.
Chalabi is currently the Data Editor of the Guardian US, where she writes articles, produces documentaries and turns data into illustrations and animations. In 2016, her data illustrations were commended by the Royal Statistical Society.
Mona Chalabi | Speaker | TED.com