TED2006
Hans Rosling: The best stats you've ever seen
Hans Rosling mostra as melhores estatísticas que você já viu
Filmed:
Readability: 3.6
14,386,844 views
Você nunca viu dados apresentados desta forma. Com o drama e a urgência de um narrador esportivo, o guru de estatísticas Hans Rosling desvenda mitos sobre o chamado "mundo em desenvolvimento".
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
Há uns 10 anos, assumi a tarefa
de ensinar desenvolvimento global
de ensinar desenvolvimento global
00:29
to Swedish undergraduate students. That was after having spent
1
4000
4000
a estudantes universitários suecos.
Isto foi após ter passado cerca de 20 anos
00:33
about 20 years together with African institutions studying hunger in Africa,
2
8000
4000
em instituições africanas
estudando a fome na África,
estudando a fome na África,
00:37
so I was sort of expected to know a little about the world.
3
12000
4000
então esperava-se
que eu soubesse um pouco sobre o mundo.
que eu soubesse um pouco sobre o mundo.
00:41
And I started in our medical university, Karolinska Institute,
4
16000
5000
Iniciei na nossa faculdade de medicina,
Karolinska Institute,
Karolinska Institute,
00:46
an undergraduate course called Global Health. But when you get
5
21000
4000
um curso para universitários,
chamado Saúde Global.
chamado Saúde Global.
Quando surge uma oportunidade dessas,
fica-se um pouco nervoso.
fica-se um pouco nervoso.
00:50
that opportunity, you get a little nervous. I thought, these students
6
25000
3000
Estes estudantes que aqui chegam, pensei eu,
têm as maiores notas que se pode obter
têm as maiores notas que se pode obter
00:53
coming to us actually have the highest grade you can get
7
28000
3000
00:56
in Swedish college systems -- so, I thought, maybe they know everything
8
31000
3000
nos sistemas educacionais suecos,
então talvez já saibam tudo
então talvez já saibam tudo
00:59
I'm going to teach them about. So I did a pre-test when they came.
9
34000
4000
que lhes estou prestes a ensinar.
Quando chegaram, fiz um pré-teste.
Quando chegaram, fiz um pré-teste.
01:03
And one of the questions from which I learned a lot was this one:
10
38000
3000
Um dos assuntos
sobre os quais aprendi muita coisa foi:
sobre os quais aprendi muita coisa foi:
01:06
"Which country has the highest child mortality of these five pairs?"
11
41000
4000
“Que país tem a maior taxa de mortalidade
dentre estes cinco pares?”
dentre estes cinco pares?”
01:10
And I put them together, so that in each pair of country,
12
45000
4000
Juntei-os de forma
que em cada par de países,
que em cada par de países,
01:14
one has twice the child mortality of the other. And this means that
13
49000
5000
um tivesse o dobro
da taxa de mortalidade do outro.
da taxa de mortalidade do outro.
01:19
it's much bigger a difference than the uncertainty of the data.
14
54000
5000
Isto significa que a diferença
é muito maior
é muito maior
do que a incerteza quanto aos dados.
01:24
I won't put you at a test here, but it's Turkey,
15
59000
2000
Não pretendo testá-los aqui,
01:26
which is highest there, Poland, Russia, Pakistan and South Africa.
16
61000
5000
mas é a Turquia e depois Polônia,
Rússia, Paquistão e África do Sul.
Rússia, Paquistão e África do Sul.
01:31
And these were the results of the Swedish students. I did it so I got
17
66000
3000
E estes foram os resultados
dos estudantes suecos.
dos estudantes suecos.
01:34
the confidence interval, which is pretty narrow, and I got happy,
18
69000
3000
Dessa forma obtive
o intervalo de confiança,
o intervalo de confiança,
que é bem estreito, e fiquei feliz, claro:
01:37
of course: a 1.8 right answer out of five possible. That means that
19
72000
4000
1,8 respostas certas dentre cinco possíveis.
01:41
there was a place for a professor of international health --
20
76000
3000
Significa que havia lugar
para um professor de saúde internacional –
para um professor de saúde internacional –
01:44
(Laughter) and for my course.
21
79000
2000
(Risos) e para meu curso.
01:46
But one late night, when I was compiling the report
22
81000
4000
Uma noite, bem tarde,
quando eu compilava o relatório,
quando eu compilava o relatório,
01:50
I really realized my discovery. I have shown
23
85000
4000
compreendi realmente minha descoberta.
01:54
that Swedish top students know statistically significantly less
24
89000
5000
Mostrei que os melhores estudantes
sabiam, estatisticamente, muito menos
sabiam, estatisticamente, muito menos
01:59
about the world than the chimpanzees.
25
94000
2000
sobre o mundo do que os chimpanzés.
02:01
(Laughter)
26
96000
2000
(Risos)
02:03
Because the chimpanzee would score half right if I gave them
27
98000
4000
Os chimpanzés
acertariam a metade se eu lhes desse
acertariam a metade se eu lhes desse
02:07
two bananas with Sri Lanka and Turkey. They would be right half of the cases.
28
102000
3000
duas bananas com Sri Lanka e Turquia.
Na metade dos casos estariam certos.
Na metade dos casos estariam certos.
02:10
But the students are not there. The problem for me was not ignorance;
29
105000
4000
Mas os estudantes não estão lá.
Para mim, o problema não era a ignorância:
Para mim, o problema não era a ignorância:
02:14
it was preconceived ideas.
30
109000
3000
eram idéias preconcebidas.
02:17
I did also an unethical study of the professors of the Karolinska Institute
31
112000
4000
Também fiz uma pesquisa não ética
dos professores do Karolinska Institute
dos professores do Karolinska Institute
02:21
(Laughter)
32
116000
1000
(Risos)
02:22
-- that hands out the Nobel Prize in Medicine,
33
117000
2000
- que distribui o Prêmio Nobel de Medicina,
02:24
and they are on par with the chimpanzee there.
34
119000
2000
e eles estão empatados com os chimpanzés.
02:26
(Laughter)
35
121000
3000
(Risos)
02:29
This is where I realized that there was really a need to communicate,
36
124000
4000
Então entendi que havia realmente
uma necessidade de comunicar,
uma necessidade de comunicar,
02:33
because the data of what's happening in the world
37
128000
3000
devido aos dados
sobre o que acontecia no mundo
sobre o que acontecia no mundo
02:36
and the child health of every country is very well aware.
38
131000
3000
e a saúde das crianças
de que cada país tem consciência.
de que cada país tem consciência.
02:39
We did this software which displays it like this: every bubble here is a country.
39
134000
5000
Fizemos este software
que exibe os fatos assim:
que exibe os fatos assim:
02:44
This country over here is China. This is India.
40
139000
6000
cada bolha é um país.
Este país aqui é a China. Este é a Índia.
Este país aqui é a China. Este é a Índia.
02:50
The size of the bubble is the population, and on this axis here I put fertility rate.
41
145000
6000
O tamanho da bolha é a população
e neste eixo pus a taxa de fertilidade.
e neste eixo pus a taxa de fertilidade.
02:56
Because my students, what they said
42
151000
3000
Por causa dos meus estudantes,
pelo que disseram
pelo que disseram
02:59
when they looked upon the world, and I asked them,
43
154000
2000
quando olharam para o mundo
lhes perguntei:
lhes perguntei:
03:01
"What do you really think about the world?"
44
156000
2000
“O que é que vocês realmente pensam
sobre o mundo?”
sobre o mundo?”
03:03
Well, I first discovered that the textbook was Tintin, mainly.
45
158000
4000
Primeiro descobri que o livro texto era,
principalmente, ficção.
principalmente, ficção.
03:07
(Laughter)
46
162000
1000
(Risos)
03:08
And they said, "The world is still 'we' and 'them.'
47
163000
3000
Disseram: “O mundo
ainda é sobre “nós” e “eles”.
ainda é sobre “nós” e “eles”.
03:11
And we is Western world and them is Third World."
48
166000
3000
Somos o mundo ocidental
e eles são o Terceiro Mundo.”
e eles são o Terceiro Mundo.”
03:14
"And what do you mean with Western world?" I said.
49
169000
3000
“E o que entendem
por Terceiro Mundo?”, perguntei.
por Terceiro Mundo?”, perguntei.
03:17
"Well, that's long life and small family, and Third World is short life and large family."
50
172000
5000
“Bem, temos vida longa e família pequena.
O Terceiro Mundo tem vida curta e família grande.”
O Terceiro Mundo tem vida curta e família grande.”
03:22
So this is what I could display here. I put fertility rate here: number of children per woman:
51
177000
6000
Foi o que pude exibir aqui.
Pus a taxa de fertilidade aqui: número de filhos por mulher,
Pus a taxa de fertilidade aqui: número de filhos por mulher,
03:28
one, two, three, four, up to about eight children per woman.
52
183000
4000
um, dois, três, quatro, até oito filhos por mulher.
03:32
We have very good data since 1962 -- 1960 about -- on the size of families in all countries.
53
187000
6000
Temos bons dados desde 1962 ou 1960
sobre as famílias em todos os países.
sobre as famílias em todos os países.
03:38
The error margin is narrow. Here I put life expectancy at birth,
54
193000
3000
A margem de erro é estreita.
Aqui está a expectativa de vida no nascimento,
Aqui está a expectativa de vida no nascimento,
03:41
from 30 years in some countries up to about 70 years.
55
196000
4000
desde 30 anos em alguns países até uns 70 anos.
03:45
And 1962, there was really a group of countries here
56
200000
3000
Em 1962 havia um grupo grande de países aqui.
03:48
that was industrialized countries, and they had small families and long lives.
57
203000
5000
Países industrializados,
com famílias pequenas e vida longa.
com famílias pequenas e vida longa.
03:53
And these were the developing countries:
58
208000
2000
E estes eram países em desenvolvimento:
03:55
they had large families and they had relatively short lives.
59
210000
3000
tinham famílias grandes e vidas relativamente curtas.
03:58
Now what has happened since 1962? We want to see the change.
60
213000
4000
O que aconteceu desde 1962? Queremos ver a mudança.
04:02
Are the students right? Is it still two types of countries?
61
217000
3000
Os estudantes estão certos? Ainda existem dois tipos de países?
04:06
Or have these developing countries got smaller families and they live here?
62
221000
3000
Ou estes países em desenvolvimento tiveram famílias menores e vivem aqui?
04:09
Or have they got longer lives and live up there?
63
224000
2000
Ou tiveram vidas longas e vivem ali?
04:11
Let's see. We stopped the world then. This is all U.N. statistics
64
226000
3000
Vejamos. Paramos o mundo. Estas são estatísticas das Nações Unidas
04:14
that have been available. Here we go. Can you see there?
65
229000
3000
que ficaram disponíveis. Vamos lá. Conseguem ver ali?
04:17
It's China there, moving against better health there, improving there.
66
232000
3000
É a China ali, esforçando-se para melhorar a saúde, melhorando ali.
04:20
All the green Latin American countries are moving towards smaller families.
67
235000
3000
Os países verdes da América Latina tendem a ter famílias menores.
04:23
Your yellow ones here are the Arabic countries,
68
238000
3000
Os amarelos aqui são os países árabes,
04:26
and they get larger families, but they -- no, longer life, but not larger families.
69
241000
4000
eles têm famílias maiores mas -- não, vida mais longa, mas não famílias maiores.
04:30
The Africans are the green down here. They still remain here.
70
245000
3000
Os africanos são os verdes aqui em baixo. Ainda continuam aqui.
04:33
This is India. Indonesia's moving on pretty fast.
71
248000
3000
Isto é a Índia e a Indonésia, prosseguindo bem rápido.
04:36
(Laughter)
72
251000
1000
(Risos)
04:37
And in the '80s here, you have Bangladesh still among the African countries there.
73
252000
3000
E aqui, na década de 80, está Bangladesh, ainda entre os países africanos ali.
04:40
But now, Bangladesh -- it's a miracle that happens in the '80s:
74
255000
3000
Mas agora Bangladesh – é um milagre o que acontece na década de 80:
04:43
the imams start to promote family planning.
75
258000
3000
os imãs começam a promover o planejamento familiar.
04:46
They move up into that corner. And in '90s, we have the terrible HIV epidemic
76
261000
5000
Subiram para aquele canto. E nos anos 90 temos a terrível epidemia de HIV
04:51
that takes down the life expectancy of the African countries
77
266000
3000
que reduz a expectativa de vida dos países africanos
04:54
and all the rest of them move up into the corner,
78
269000
4000
e o restante se desloca para cima, para o canto,
04:58
where we have long lives and small family, and we have a completely new world.
79
273000
4000
onde temos vidas longas, famílias pequenas, e vemos um mundo totalmente novo.
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
Vamos fazer uma comparação direta entre os Estados Unidos e o Vietnã.
05:20
1964: America had small families and long life;
82
295000
5000
1964. Nos Estados Unidos as famílias são pequenas e a vida é longa,
05:25
Vietnam had large families and short lives. And this is what happens:
83
300000
4000
no Vietnã as famílias são grandes e a vida é curta. E acontece o seguinte:
05:29
the data during the war indicate that even with all the death,
84
304000
6000
os dados durante a guerra indicam que, mesmo com todas as mortes,
05:35
there was an improvement of life expectancy. By the end of the year,
85
310000
3000
houve melhoria na expectativa de vida. Ao final do ano
05:38
the family planning started in Vietnam and they went for smaller families.
86
313000
3000
começou o planejamento familiar no Vietnã e o tamanho das famílias diminuiu.
05:41
And the United States up there is getting for longer life,
87
316000
3000
Os Estados Unidos estão lá em cima, conseguindo vidas mais longas,
05:44
keeping family size. And in the '80s now,
88
319000
3000
mantendo o tamanho das famílias. E agora nos anos 80,
05:47
they give up communist planning and they go for market economy,
89
322000
3000
desistiram do planejamento comunista e se viram para a economia de mercado,
05:50
and it moves faster even than social life. And today, we have
90
325000
4000
um movimento mais rápido do que a vida social. Hoje em dia temos
05:54
in Vietnam the same life expectancy and the same family size
91
329000
5000
aqui no Vietnã a mesma expectativa de vida e o mesmo tamanho de família,
05:59
here in Vietnam, 2003, as in United States, 1974, by the end of the war.
92
334000
7000
em 2003, como nos Estados Unidos em 1974, ao final da guerra.
06:06
I think we all -- if we don't look in the data --
93
341000
4000
Acho que nós – se não prestarmos atenção aos dados –
06:10
we underestimate the tremendous change in Asia, which was
94
345000
4000
subestimamos a tremenda mudança na Ásia, que passava por
06:14
in social change before we saw the economical change.
95
349000
4000
mudanças sociais antes de virmos a mudança econômica.
06:18
Let's move over to another way here in which we could display
96
353000
5000
Vejamos outro modo para conseguirmos exibir
06:23
the distribution in the world of the income. This is the world distribution of income of people.
97
358000
7000
a distribuição da renda no mundo. Esta é a distribuição da renda das pessoas no mundo.
06:30
One dollar, 10 dollars or 100 dollars per day.
98
365000
5000
Um dólar, dez dólares ou 100 dólares por dia.
06:35
There's no gap between rich and poor any longer. This is a myth.
99
370000
4000
Não existe mais intervalo entre rico e pobre. Isto é um mito.
06:39
There's a little hump here. But there are people all the way.
100
374000
4000
Há uma leve subida aqui. Mas há pessoas na curva toda.
06:44
And if we look where the income ends up -- the income --
101
379000
4000
E se olharmos onde a renda termina – a renda --
06:48
this is 100 percent the world's annual income. And the richest 20 percent,
102
383000
6000
isto é o total dos rendimentos anuais do mundo. E os 20 por cento mais ricos,
06:54
they take out of that about 74 percent. And the poorest 20 percent,
103
389000
7000
tiram daí uns 74 por cento e os 20 por cento mais pobres,
07:01
they take about two percent. And this shows that the concept
104
396000
5000
tiram uns dois por cento. Isto mostra que o conceito
07:06
of developing countries is extremely doubtful. We think about aid, like
105
401000
4000
de países em desenvolvimento é extremamente duvidoso. Pensamos em ajuda, como
07:10
these people here giving aid to these people here. But in the middle,
106
405000
5000
se estas pessoas estivessem ajudando estas aqui. Mas no meio,
07:15
we have most the world population, and they have now 24 percent of the income.
107
410000
4000
temos a maioria da população mundial, e eles agora têm 24 por cento da renda.
07:19
We heard it in other forms. And who are these?
108
414000
4000
Ouvimos de outras maneiras. Quem são eles?
07:23
Where are the different countries? I can show you Africa.
109
418000
4000
Onde estão os países diferentes? Posso mostrar-lhes a África.
07:27
This is Africa. 10 percent the world population, most in poverty.
110
422000
5000
Isto é a África. Dez por cento da população e a maioria na pobreza.
07:32
This is OECD. The rich country. The country club of the U.N.
111
427000
5000
Isto é a OCDE. O país rico. O "country clube" das Nações Unidas.
07:37
And they are over here on this side. Quite an overlap between Africa and OECD.
112
432000
5000
Nós estamos deste lado. Quase uma superposição entre a África e a OCDE.
07:42
And this is Latin America. It has everything on this Earth,
113
437000
3000
Aqui está a América Latina. Ela tem de tudo neste planeta,
07:45
from the poorest to the richest, in Latin America.
114
440000
3000
do mais pobre ao mais rico, na América Latina.
07:48
And on top of that, we can put East Europe, we can put East Asia,
115
443000
5000
Sobre tudo isto podemos colocar a Europa Oriental, podemos colocar a Ásia Oriental,
07:53
and we put South Asia. And how did it look like if we go back in time,
116
448000
5000
e colocamos o Sul da Ásia. Se voltarmos no tempo, como ela era,
07:58
to about 1970? Then there was more of a hump.
117
453000
5000
lá por 1970? Naquela época a curva era maior.
08:03
And we have most who lived in absolute poverty were Asians.
118
458000
4000
E a maioria dos que viviam na pobreza era de 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
O problema no mundo era a pobreza na Ásia. Se eu agora deixar o mundo seguir em frente,
08:14
you will see that while population increase, there are
120
469000
3000
vocês verão que embora a população aumente, há
08:17
hundreds of millions in Asia getting out of poverty and some others
121
472000
3000
centenas de milhões na Ásia saindo da pobreza e alguns outros
08:20
getting into poverty, and this is the pattern we have today.
122
475000
3000
entrando na pobreza, e este é o padrão atual.
08:23
And the best projection from the World Bank is that this will happen,
123
478000
4000
A melhor projeção do Banco Mundial é que isto acontecerá,
08:27
and we will not have a divided world. We'll have most people in the middle.
124
482000
4000
e não teremos um mundo dividido. Teremos a maioria das pessoas no meio.
08:31
Of course it's a logarithmic scale here,
125
486000
2000
É claro que esta é uma escala logarítmica,
08:33
but our concept of economy is growth with percent. We look upon it
126
488000
5000
mas nosso conceito de economia é desenvolvimento com percentagem. Consideramos isso
08:38
as a possibility of percentile increase. If I change this, and I take
127
493000
6000
uma possibilidade de aumento percentual. Se eu mudar isto e pegar
08:44
GDP per capita instead of family income, and I turn these
128
499000
4000
o PIB per capita em vez da renda familiar e transformar estes
08:48
individual data into regional data of gross domestic product,
129
503000
6000
dados individuais em dados regionais de produto interno bruto,
08:54
and I take the regions down here, the size of the bubble is still the population.
130
509000
4000
e consider as regiões ali em baixo, o tamanho da bolha ainda se refere à população.
08:58
And you have the OECD there, and you have sub-Saharan Africa there,
131
513000
3000
A ali está a OCDE, e ali a África Subsaariana,
09:01
and we take off the Arab states there,
132
516000
3000
e tiramos os estados árabes ali,
09:04
coming both from Africa and from Asia, and we put them separately,
133
519000
4000
vindo da África e da Ásia e os colocamos separados,
09:08
and we can expand this axis, and I can give it a new dimension here,
134
523000
5000
e podemos aumentar este eixo, e dar uma nova dimensão aqui,
09:13
by adding the social values there, child survival.
135
528000
3000
somando os valores sociais ali e sobrevivência infantil.
09:16
Now I have money on that axis, and I have the possibility of children to survive there.
136
531000
5000
Agora temos dinheiro naquele eixo e a possibilidade de sobrevivências das crianças ali.
09:21
In some countries, 99.7 percent of children survive to five years of age;
137
536000
4000
Em alguns países, 99,7 por cento das crianças sobrevivem até os cinco anos de idade;
09:25
others, only 70. And here it seems there is a gap
138
540000
4000
em outros, apenas 70. E aqui parece haver uma lacuna
09:29
between OECD, Latin America, East Europe, East Asia,
139
544000
4000
entre a OCDE, a América Latina, a Europa Oriental e a Ásia Oriental,
09:33
Arab states, South Asia and sub-Saharan Africa.
140
548000
4000
os estados árabes, o sul da Ásia e a África Subsaariana.
09:37
The linearity is very strong between child survival and money.
141
552000
5000
A linearidade é bastante forte entre sobrevivência infantil e dinheiro.
09:42
But let me split sub-Saharan Africa. Health is there and better health is up there.
142
557000
8000
Mas vamos dividir a África Subsaariana. Ali está a saúde e ali em cima está uma saúde melhor.
09:50
I can go here and I can split sub-Saharan Africa into its countries.
143
565000
5000
Posso vir aqui e dividir a África Subsaariana em seus países.
09:55
And when it burst, the size of its country bubble is the size of the population.
144
570000
5000
Quando explode, o tamanho da bolha do seu país é do tamanho da população.
10:00
Sierra Leone down there. Mauritius is up there. Mauritius was the first country
145
575000
4000
Lá em baixo está Serra Leoa. Maurício lá em cima. Maurício foi o primeiro país
10:04
to get away with trade barriers, and they could sell their sugar --
146
579000
3000
a acabar com as barreiras comerciais e poder vender seu açúcar.
10:08
they could sell their textiles -- on equal terms as the people in Europe and North America.
147
583000
5000
Podiam vender artigos têxteis nas mesmas condições que as pessoas na Europa e na América do Norte.
10:13
There's a huge difference between Africa. And Ghana is here in the middle.
148
588000
4000
Há uma enorme diferença entre a África. Gana está aqui no meio.
10:17
In Sierra Leone, humanitarian aid.
149
592000
3000
Em Serra Leoa, ajuda humanitária.
10:20
Here in Uganda, development aid. Here, time to invest; there,
150
595000
5000
Aqui em Uganda, ajuda para desenvolvimento. Aqui, tempo para investir, ali,
10:25
you can go for a holiday. It's a tremendous variation
151
600000
3000
pode-se ir nas férias. Há uma variação enorme
10:28
within Africa which we rarely often make -- that it's equal everything.
152
603000
5000
na África que raramente percebemos. Achamos que é tudo igual.
10:33
I can split South Asia here. India's the big bubble in the middle.
153
608000
4000
Posso dividir o sul da Ásia aqui. A Índia é a bolha grande no meio.
10:37
But a huge difference between Afghanistan and Sri Lanka.
154
612000
4000
Mas há uma grande diferença entre o Afeganistão e o Sri Lanka.
10:41
I can split Arab states. How are they? Same climate, same culture,
155
616000
4000
Posso dividir os estados árabes. Como eles são? Mesmo clima, mesma cultura,
10:45
same religion -- huge difference. Even between neighbors.
156
620000
4000
mesma religião. Diferenças enormes. Mesmo entre vizinhos.
10:49
Yemen, civil war. United Arab Emirate, money which was quite equally and well used.
157
624000
5000
No Iêmen, guerra civil. Nos Emirados Árabes Unidos, o dinheiro foi bem aplicado e com bastante igualdade.
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
Não como diz o mito. E isto inclui as crianças de trabalhadores estrangeiros que estão no país.
11:01
Data is often better than you think. Many people say data is bad.
159
636000
4000
Muitas vezes os dados são melhores do que se imagina. Muitas pessoas dizem que os dados são ruins.
11:06
There is an uncertainty margin, but we can see the difference here:
160
641000
2000
Existe uma margem de incerteza, mas podemos ver a diferença aqui:
11:08
Cambodia, Singapore. The differences are much bigger
161
643000
3000
Camboja, Singapura. As diferenças são muito maiores
11:11
than the weakness of the data. East Europe:
162
646000
3000
do que a fraqueza dos dados. Europa Oriental:
11:14
Soviet economy for a long time, but they come out after 10 years
163
649000
6000
Por muito tempo, economia soviética, mas dez anos mais tarde surgem
11:20
very, very differently. And there is Latin America.
164
655000
3000
muito, muito diferentes. Aqui está a América Latina.
11:23
Today, we don't have to go to Cuba to find a healthy country in Latin America.
165
658000
4000
Hoje em dia não precisamos ir a Cuba para encontrar um país saudável na América Latina.
11:27
Chile will have a lower child mortality than Cuba within some few years from now.
166
662000
5000
Em alguns anos a taxa de mortalidade infantil no Chile será menor do que a de Cuba.
11:32
And here we have high-income countries in the OECD.
167
667000
3000
E aqui temos os países de alta renda na OCDE.
11:35
And we get the whole pattern here of the world,
168
670000
4000
E aqui temos o padrão mundial completo,
11:39
which is more or less like this. And if we look at it,
169
674000
5000
mais ou menos como isto. Se o observarmos,
11:44
how it looks -- the world, in 1960, it starts to move. 1960.
170
679000
6000
como se parece – no mundo, em 1960, ele começa a se mover. 1960.
11:50
This is Mao Tse-tung. He brought health to China. And then he died.
171
685000
3000
Este é Mao Tse-tung. Ele trouxe saúde à China. Depois morreu.
11:53
And then Deng Xiaoping came and brought money to China, and brought them into the mainstream again.
172
688000
5000
Então chegou Deng Xiaoping e trouxe dinheiro à China, e a levou novamente à corrente dominante.
11:58
And we have seen how countries move in different directions like this,
173
693000
4000
Vimos como os países se movem em direções diferentes, assim,
12:02
so it's sort of difficult to get
174
697000
4000
então é um pouco difícil conseguir
12:06
an example country which shows the pattern of the world.
175
701000
5000
um país de exemplo que mostre o padrão mundial.
12:11
But I would like to bring you back to about here at 1960.
176
706000
6000
Gostaria de trazê-los de volta para cá, mais ou menos a 1960.
12:17
I would like to compare South Korea, which is this one, with Brazil,
177
712000
10000
Gostaria de comparar a Coréia do Sul, que está aqui, com o 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 está aqui. Neste ponto a etiqueta fugiu de mim. Eu gostaria de comparar Uganda,
12:32
which is there. And I can run it forward, like this.
179
727000
5000
que está ali. Posso seguir em frente, assim.
12:37
And you can see how South Korea is making a very, very fast advancement,
180
732000
9000
Observem que a Coréia do Sul está avançando com muita rapidez,
12:46
whereas Brazil is much slower.
181
741000
3000
enquanto que o Brasil vai muito mais devagar.
12:49
And if we move back again, here, and we put on trails on them, like this,
182
744000
6000
Se retornarmos de novo, aqui, e colocarmos rastros neles, assim,
12:55
you can see again that the speed of development
183
750000
4000
vocês podem ver que a velocidade de desenvolvimento
12:59
is very, very different, and the countries are moving more or less
184
754000
6000
é muito, mas muito diferente e que os países estão se movendo mais ou menos
13:05
in the same rate as money and health, but it seems you can move
185
760000
4000
na mesma proporção do dinheiro e da saúde, mas parece que você pode se mover
13:09
much faster if you are healthy first than if you are wealthy first.
186
764000
4000
com muito mais rapidez se primeiro estiver saudável do que se for rico.
13:14
And to show that, you can put on the way of United Arab Emirate.
187
769000
4000
Para mostrar isto, podemos colocar os Emirados Árabes Unidos no caminho.
13:18
They came from here, a mineral country. They cached all the oil;
188
773000
3000
Eles vieram daqui, um país mineral. Venderam todo o petróleo,
13:21
they got all the money; but health cannot be bought at the supermarket.
189
776000
4000
conseguiram todo o dinheiro, mas não se pode comprar saúde em supermercados.
13:25
You have to invest in health. You have to get kids into schooling.
190
780000
4000
É preciso investir em saúde. As crianças têm que ir à escola.
13:29
You have to train health staff. You have to educate the population.
191
784000
3000
É necessário treinar equipes de saúde. Educar a população.
13:32
And Sheikh Sayed did that in a fairly good way.
192
787000
3000
O Xeque Sayed o fez de um modo bastante bom.
13:35
In spite of falling oil prices, he brought this country up here.
193
790000
4000
Apesar da queda no preço do petróleo, ele trouxe este país aqui para cima.
13:39
So we've got a much more mainstream appearance of the world,
194
794000
4000
Assim temos um aspecto muito maior de corrente dominante do mundo,
13:43
where all countries tend to use their money
195
798000
2000
onde todos os países tendem a usar melhor seu dinheiro
13:45
better than they used in the past. Now, this is, more or less,
196
800000
5000
do que usaram no passado. Isto se vê, mais ou menos,
13:50
if you look at the average data of the countries -- they are like this.
197
805000
7000
se observarem os dados médios dos países. Eles são assim.
13:57
Now that's dangerous, to use average data, because there is such a lot
198
812000
5000
Usar média de dados é perigoso, porque há muitas
14:02
of difference within countries. So if I go and look here, we can see
199
817000
6000
diferenças entre países. Se olharmos ali, podemos ver
14:08
that Uganda today is where South Korea was 1960. If I split Uganda,
200
823000
6000
que hoje Uganda está onde a Coréia do Sul estava em 1960. Se dividirmos Uganda,
14:14
there's quite a difference within Uganda. These are the quintiles of Uganda.
201
829000
5000
vemos a grande diferença no país. Estes são os quintis de Uganda.
14:19
The richest 20 percent of Ugandans are there.
202
834000
3000
Os 20 por cento mais ricos de Uganda estão ali.
14:22
The poorest are down there. If I split South Africa, it's like this.
203
837000
4000
Os mais pobres estão ali em baixo. Se dividirmos a África do Sul, é assim.
14:26
And if I go down and look at Niger, where there was such a terrible famine,
204
841000
5000
Se descermos e observarmos a Nigéria, onde houve uma escassez terrível,
14:31
lastly, it's like this. The 20 percent poorest of Niger is out here,
205
846000
5000
é assim. Os 20 por cento mais pobres da Nigéria estão aqui,
14:36
and the 20 percent richest of South Africa is there,
206
851000
3000
e os 20 por cento mais ricos da África do Sul estão ali,
14:39
and yet we tend to discuss on what solutions there should be in Africa.
207
854000
5000
e ainda tendemos a discutir como solucionar os problemas da África.
14:44
Everything in this world exists in Africa. And you can't
208
859000
3000
Tudo neste mundo existe na África. E você não pode
14:47
discuss universal access to HIV [medicine] for that quintile up here
209
862000
4000
discutir acesso universal ao HIV [medicina] para aquele quintil ali em cima
14:51
with the same strategy as down here. The improvement of the world
210
866000
4000
com a mesma estratégia daqui de baixo. A melhoria do mundo
14:55
must be highly contextualized, and it's not relevant to have it
211
870000
5000
precisa ser altamente contextualizada e não é relevante tê-la
15:00
on regional level. We must be much more detailed.
212
875000
3000
em nível regional. Temos que ser mais detalhados.
15:03
We find that students get very excited when they can use this.
213
878000
4000
Achamos que os estudantes ficam muito animados quando podem usar isto.
15:07
And even more policy makers and the corporate sectors would like to see
214
882000
5000
E cada vez mais elaboradores de políticas e o setor corporativo gostariam de ver
15:12
how the world is changing. Now, why doesn't this take place?
215
887000
4000
como o mundo está mudando. Por que isto não ocorre?
15:16
Why are we not using the data we have? We have data in the United Nations,
216
891000
4000
Por que não estamos usando os dados que temos? Temos dados nas Nações Unidas,
15:20
in the national statistical agencies
217
895000
2000
nas agências nacionais de estatística
15:22
and in universities and other non-governmental organizations.
218
897000
4000
e em universidades e outras organizações não governamentais.
15:26
Because the data is hidden down in the databases.
219
901000
2000
Porque os dados estão ocultos nos bancos de dados.
15:28
And the public is there, and the Internet is there, but we have still not used it effectively.
220
903000
5000
E o público está aí, e a Internet está aí, mas ainda não a usamos com eficiência.
15:33
All that information we saw changing in the world
221
908000
3000
Todas as informações que vimos mudando no mundo
15:36
does not include publicly-funded statistics. There are some web pages
222
911000
4000
não incluem estatísticas patrocinadas publicamente. Há algumas páginas na Internet
15:40
like this, you know, but they take some nourishment down from the databases,
223
915000
6000
como esta, mas são alimentadas pelos bancos de dados,
15:46
but people put prices on them, stupid passwords and boring statistics.
224
921000
5000
e as pessoas estabelecem preços para elas, senhas estúpidas e estatísticas enfadonhas.
15:51
(Laughter) (Applause)
225
926000
3000
(Risos). (Aplausos).
15:54
And this won't work. So what is needed? We have the databases.
226
929000
4000
Isto não vai funcionar. Então, o que é necessário? Temos os bancos de dados.
15:58
It's not the new database you need. We have wonderful design tools,
227
933000
4000
Vocês não precisam de novos bancos de dados. Temos ferramentas de projeto maravilhosas,
16:02
and more and more are added up here. So we started
228
937000
3000
e a cada momento são acrescentadas outras. Então começamos
16:05
a nonprofit venture which we called -- linking data to design --
229
940000
5000
um empreendimento sem fins lucrativos que chamamos de – vinculação de dados a projeto -
16:10
we call it Gapminder, from the London underground, where they warn you,
230
945000
3000
chamamos de Gapminder (Alerta para o vão), do metrô de Londres, onde alertam:
16:13
"mind the gap." So we thought Gapminder was appropriate.
231
948000
3000
“Cuidado com o vão.” Então pensamos que o nome era apropriado.
16:16
And we started to write software which could link the data like this.
232
951000
4000
Começamos a desenvolver um software que poderia juntar os dados desta forma.
16:20
And it wasn't that difficult. It took some person years, and we have produced animations.
233
955000
6000
Não foi muito difícil. Demorou alguns anos, e produzimos animações.
16:26
You can take a data set and put it there.
234
961000
2000
Você pode pegar um conjunto de dados e inseri-lo lá.
16:28
We are liberating U.N. data, some few U.N. organization.
235
963000
5000
Estamos liberando dados das Nações Unidas, de algumas poucas organizações.
16:33
Some countries accept that their databases can go out on the world,
236
968000
4000
Alguns países aceitam a divulgação de seus bancos de dados ao mundo,
16:37
but what we really need is, of course, a search function.
237
972000
3000
mas o que realmente precisamos é, evidentemente, de uma função de busca.
16:40
A search function where we can copy the data up to a searchable format
238
975000
5000
Uma função de busca que nos permita copiar os dados em um formato adequado
16:45
and get it out in the world. And what do we hear when we go around?
239
980000
3000
e revelá-los ao mundo. E o que ouvimos durante nossa busca?
16:48
I've done anthropology on the main statistical units. Everyone says,
240
983000
4000
Fiz antropologia nas principais unidades estatísticas. Todos dizem:
16:53
"It's impossible. This can't be done. Our information is so peculiar
241
988000
4000
“É impossível. Isto não pode ser feito. Nossas informações são muito peculiares
16:57
in detail, so that cannot be searched as others can be searched.
242
992000
3000
quanto aos detalhes, então não é possível pesquisá-las como as outras.
17:00
We cannot give the data free to the students, free to the entrepreneurs of the world."
243
995000
5000
Não podemos dar os dados de graça aos estudantes, de graça aos empreendedores do mundo.”
17:05
But this is what we would like to see, isn't it?
244
1000000
3000
Mas é o que gostaríamos de ver, não é mesmo?
17:08
The publicly-funded data is down here.
245
1003000
3000
Os dados patrocinados publicamente estão ali em baixo.
17:11
And we would like flowers to grow out on the Net.
246
1006000
3000
E gostaríamos de ver flores crescendo na Internet.
17:14
And one of the crucial points is to make them searchable, and then people can use
247
1009000
5000
Um dos pontos cruciais é torná-los passíveis de pesquisa,
assim as pessoas podem usar
assim as pessoas podem usar
17:19
the different design tool to animate it there.
248
1014000
2000
uma ferramenta de projeto
diferente para animá-los ali.
diferente para animá-los ali.
17:21
And I have a pretty good news for you. I have a good news that the present,
249
1016000
5000
Tenho boas notícias para vocês.
17:26
new Head of U.N. Statistics, he doesn't say it's impossible.
250
1021000
4000
E boas notícias de que o novo e atual
chefe das Estatísticas das Nações Unidas
chefe das Estatísticas das Nações Unidas
não diz que é impossível.
17:30
He only says, "We can't do it."
251
1025000
2000
Ele só diz: “Nós não podemos fazê-lo.”
17:32
(Laughter)
252
1027000
4000
(Risos)
17:36
And that's a quite clever guy, huh?
253
1031000
2000
É um sujeito bastante esperto, não é mesmo?
17:38
(Laughter)
254
1033000
2000
(Risos)
17:40
So we can see a lot happening in data in the coming years.
255
1035000
4000
Então podemos ver muita coisa
acontecendo nos dados nos próximos anos.
acontecendo nos dados nos próximos anos.
17:44
We will be able to look at income distributions in completely new ways.
256
1039000
4000
Poderemos analisar distribuições de renda
de formas totalmente diferentes.
de formas totalmente diferentes.
17:48
This is the income distribution of China, 1970.
257
1043000
5000
Esta é a distribuição
da renda na China, 1970.
da renda na China, 1970.
17:54
the income distribution of the United States, 1970.
258
1049000
5000
Esta é a distribuição da renda
nos Estados Unidos, 1970.
nos Estados Unidos, 1970.
17:59
Almost no overlap. Almost no overlap. And what has happened?
259
1054000
4000
Quase sem superposição.
Quase sem superposição. O que aconteceu?
Quase sem superposição. O que aconteceu?
18:03
What has happened is this: that China is growing, it's not so equal any longer,
260
1058000
5000
Aconteceu que a China está em crescimento,
não será mais tão igual por muito tempo,
não será mais tão igual por muito tempo,
18:08
and it's appearing here, overlooking the United States.
261
1063000
4000
e está aparecendo aqui,
com vista para os Estados Unidos.
com vista para os Estados Unidos.
18:12
Almost like a ghost, isn't it, huh?
262
1067000
2000
Quase como um fantasma, não é?
18:14
(Laughter)
263
1069000
2000
(Risos)
18:16
It's pretty scary. But I think it's very important to have all this information.
264
1071000
10000
É bem assustador, mas considero
muito importante ter tais informações.
muito importante ter tais informações.
18:26
We need really to see it. And instead of looking at this,
265
1081000
6000
Nós realmente precisamos vê-las.
Em vez de olhar para isto,
Em vez de olhar para isto,
18:32
I would like to end up by showing the Internet users per 1,000.
266
1087000
5000
eu gostaria de acabar
mostrando os usuários de Internet por 1000.
mostrando os usuários de Internet por 1000.
18:37
In this software, we access about 500 variables from all the countries quite easily.
267
1092000
5000
Neste software, acessamos cerca de 500 variáveis
de todos os países com muita facilidade.
de todos os países com muita facilidade.
18:42
It takes some time to change for this,
268
1097000
4000
Demora um pouco para mudar disto,
18:46
but on the axises, you can quite easily get any variable you would like to have.
269
1101000
5000
mas nos eixos vocês
podem obter facilmente qualquer variável.
podem obter facilmente qualquer variável.
18:51
And the thing would be to get up the databases free,
270
1106000
5000
O problema seria obter
os bancos de dados de graça,
os bancos de dados de graça,
18:56
to get them searchable, and with a second click, to get them
271
1111000
3000
tornar possível a busca e,
com um segundo clique, transformá-los
com um segundo clique, transformá-los
18:59
into the graphic formats, where you can instantly understand them.
272
1114000
5000
em formatos gráficos,
onde é possível entendê-los com facilidade.
onde é possível entendê-los com facilidade.
19:04
Now, statisticians doesn't like it, because they say that this
273
1119000
3000
Os estatísticos não gostam disso,
porque dizem que não mostra a realidade;
porque dizem que não mostra a realidade;
19:07
will not show the reality; we have to have statistical, analytical methods.
274
1122000
9000
que precisamos
de métodos estatísticos, analíticos.
de métodos estatísticos, analíticos.
19:16
But this is hypothesis-generating.
275
1131000
3000
Mas isto é geração de hipóteses.
19:19
I end now with the world. There, the Internet is coming.
276
1134000
4000
Eu termino com o mundo.
Ali, a Internet está chegando.
Ali, a Internet está chegando.
19:23
The number of Internet users are going up like this. This is the GDP per capita.
277
1138000
4000
O número de usuários da Internet
está aumentando assim.
está aumentando assim.
Isto é o PIB per capita.
19:27
And it's a new technology coming in, but then amazingly, how well
278
1142000
5000
É a chegada de uma nova tecnologia,
mas é impressionante como
mas é impressionante como
19:32
it fits to the economy of the countries. That's why the 100 dollar
279
1147000
5000
se ajusta à economia dos países.
É por isso que o computador
É por isso que o computador
19:37
computer will be so important. But it's a nice tendency.
280
1152000
3000
de 100 dólares será tão importante.
É uma bela tendência.
É uma bela tendência.
19:40
It's as if the world is flattening off, isn't it? These countries
281
1155000
3000
É como se o mundo estivesse
se achatando, não é?
se achatando, não é?
19:43
are lifting more than the economy and will be very interesting
282
1158000
3000
Estes países estão subindo mais
do que a economia e será mais interessante
do que a economia e será mais interessante
19:46
to follow this over the year, as I would like you to be able to do
283
1161000
4000
acompanhar isto durante o ano,
como eu gostaria de poder fazer
como eu gostaria de poder fazer
19:50
with all the publicly funded data. Thank you very much.
284
1165000
2000
com todos os dados
patrocinados publicamente.
patrocinados publicamente.
Muito obrigado.
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