TEDNYC
Mona Chalabi: 3 ways to spot a bad statistic
Mona Chalabi: Tres vías para detectar una mala estadística
Filmed:
Readability: 4.2
1,888,599 views
A vece es difícil saber qué estadísticas son fiables. Pero no debemos contar con todas ellas... en cambio, debemos aprender a mirar más allá de ellas. En esta agradable y divertida charla, la periodista de datos Mona Chalabi comparte consejos útiles para cuestionar, interpretar y verdaderamente entender lo que dicen los números.
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
Hoy les hablaré de estadísticas.
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
Si eso les hace sentir recelosos
de inmediato, está bien,
de inmediato, está bien,
00:18
that doesn't make you some
kind of crazy conspiracy theorist,
kind of crazy conspiracy theorist,
2
6833
2859
eso no los vuelve unos locos
de teorías de conspiración,
de teorías de conspiración,
00:21
it makes you skeptical.
3
9716
1296
los vuelve escépticos.
00:23
And when it comes to numbers,
especially now, you should be skeptical.
especially now, you should be skeptical.
4
11036
3886
Cuando se trata de números, en especial
actualmente, deberían ser escépticos.
actualmente, deberían ser escépticos.
Pero también deberían poder
distinguir números fiables
distinguir números fiables
00:26
But you should also be able to tell
which numbers are reliable
which numbers are reliable
5
14946
3011
00:29
and which ones aren't.
6
17981
1160
de los que no lo son.
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
Así que hoy quiero darles herramientas
para poder hacer eso.
para poder hacer eso.
00:34
But before I do,
8
22395
1169
Pero antes de hacerlo,
00:35
I just want to clarify which numbers
I'm talking about here.
I'm talking about here.
9
23588
2839
quiero aclarar sobre qué números
les hablaré.
les hablaré.
00:38
I'm not talking about claims like,
10
26451
1635
No haré aseveraciones como,
00:40
"9 out of 10 women recommend
this anti-aging cream."
this anti-aging cream."
11
28110
2449
"9 de 10 mujeres recomiendan
esta crema antiedad".
esta crema antiedad".
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
Creo que todos ponen los ojos en blanco
con números como esos.
con números como esos.
00:45
What's different now is people
are questioning statistics like,
are questioning statistics like,
13
33579
2984
La gente ahora cuestiona
estadísticas como,
estadísticas como,
"La tasa de desempleo
en EE. UU. es del 5 %".
en EE. UU. es del 5 %".
00:48
"The US unemployment
rate is five percent."
rate is five percent."
14
36587
2014
Esta aseveración es distinta porque
no proviene de una compañía privada,
no proviene de una compañía privada,
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
00:54
it comes from the government.
16
42165
1388
proviene del gobierno.
00:55
About 4 out of 10 Americans
distrust the economic data
distrust the economic data
17
43577
3336
Cerca de 4 de 10 estadounidenses
desconfían de los datos económicos
desconfían de los datos económicos
00:58
that gets reported by government.
18
46937
1573
que publica el gobierno.
El número aumenta entre los adeptos
del presidente Trump,
del presidente Trump,
01:00
Among supporters of President Trump
it's even higher;
it's even higher;
19
48534
2491
01:03
it's about 7 out of 10.
20
51049
1633
alrededor de 7 de 10.
01:04
I don't need to tell anyone here
21
52706
1804
No necesito decirles
01:06
that there are a lot of dividing lines
in our society right now,
in our society right now,
22
54534
3011
que hay muchas líneas divisoras
en nuestra sociedad actualmente,
en nuestra sociedad actualmente,
01:09
and a lot of them start to make sense,
23
57569
1825
y muchas comienzan a cobrar sentido,
01:11
once you understand people's relationships
with these government numbers.
with these government numbers.
24
59418
3687
cuando se comprende la relación entre
la gente y los números del gobierno.
la gente y los números del gobierno.
01:15
On the one hand, there are those who say
these statistics are crucial,
these statistics are crucial,
25
63129
3336
Por una parte, hay quienes dicen
que estas estadísticas son cruciales,
que estas estadísticas son cruciales,
01:18
that we need them to make sense
of society as a whole
of society as a whole
26
66489
2630
y necesarias para entender
la sociedad como un todo
la sociedad como un todo
01:21
in order to move beyond
emotional anecdotes
emotional anecdotes
27
69143
2164
para superar anécdotas emocionales
01:23
and measure progress in a subjective way.
28
71331
2410
y medir el progreso de manera objetiva.
01:25
And then there are the others,
29
73765
1467
Por otra parte, hay quienes
01:27
who say that these statistics are elitist,
30
75256
2156
dicen que estas estadísticas
son elitistas,
son elitistas,
01:29
maybe even rigged;
31
77436
1208
incluso manipuladas;
01:30
they don't make sense
and they don't really reflect
and they don't really reflect
32
78668
2394
que no tienen sentido
y que no reflejan en realidad
y que no reflejan en realidad
01:33
what's happening
in people's everyday lives.
in people's everyday lives.
33
81086
2296
lo que ocurre en la vida cotidiana
de la gente.
de la gente.
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
Pareciera que el segundo grupo
va ganando la pelea hasta ahora.
va ganando la pelea hasta ahora.
01:38
We're living in a world
of alternative facts,
of alternative facts,
35
86917
2108
Vivimos en un mundo de hechos alternativos
01:41
where people don't find statistics
this kind of common ground,
this kind of common ground,
36
89049
2935
donde la gente no se identifica
con estas estadísticas,
con estas estadísticas,
01:44
this starting point for debate.
37
92008
1636
el punto de partida
para el debate.
para el debate.
01:45
This is a problem.
38
93668
1286
Esto es un problema.
01:46
There are actually
moves in the US right now
moves in the US right now
39
94978
2067
Hay movimientos en EE. UU. actualmente
01:49
to get rid of some government
statistics altogether.
statistics altogether.
40
97069
2861
para eliminar algunas
estadísticas gubernamentales.
estadísticas gubernamentales.
01:51
Right now there's a bill in congress
about measuring racial inequality.
about measuring racial inequality.
41
99954
3387
Hay un proyecto de ley en el congreso
para medir la inequidad racial.
para medir la inequidad racial.
La proposición dice que el dinero
del gobierno no debe usarse
del gobierno no debe usarse
01:55
The draft law says that government
money should not be used
money should not be used
42
103365
2801
01:58
to collect data on racial segregation.
43
106190
1902
para recolectar datos
sobre la segregación racial.
sobre la segregación racial.
02:00
This is a total disaster.
44
108116
1885
Es un desastre total.
02:02
If we don't have this data,
45
110025
1748
Si no obtenemos esta información,
02:03
how can we observe discrimination,
46
111797
1778
¿cómo observar la discriminación,
02:05
let alone fix it?
47
113599
1278
para solucionarla?
02:06
In other words:
48
114901
1188
En otras palabras:
02:08
How can a government create fair policies
49
116113
2059
¿Cómo creará un gobierno
políticas justas
políticas justas
02:10
if they can't measure
current levels of unfairness?
current levels of unfairness?
50
118196
2771
si no puede medir
los actuales niveles de injusticia?
los actuales niveles de injusticia?
02:12
This isn't just about discrimination,
51
120991
1794
No solo se trata de discriminación,
02:14
it's everything -- think about it.
52
122809
1670
sino de todo, piénsenlo.
02:16
How can we legislate on health care
53
124503
1690
¿Cómo legislar los servicios sanitarios
sin datos sobre salud o pobreza?
sin datos sobre salud o pobreza?
02:18
if we don't have good data
on health or poverty?
on health or poverty?
54
126217
2271
¿Cómo tener un debate público
sobre inmigración
sobre inmigración
02:20
How can we have public debate
about immigration
about immigration
55
128512
2198
02:22
if we can't at least agree
56
130734
1250
si no concordamos
02:24
on how many people are entering
and leaving the country?
and leaving the country?
57
132008
2643
sobre cuánta gente entra y sale del país?
02:26
Statistics come from the state;
that's where they got their name.
that's where they got their name.
58
134675
3058
Las estadísticas provienen del estado;
de allí viene su nombre.
de allí viene su nombre.
El objetivo era medir mejor la población
02:29
The point was to better
measure the population
measure the population
59
137757
2157
a fin de servirle mejor.
02:31
in order to better serve it.
60
139938
1357
Así que necesitamos
los números del gobierno,
los números del gobierno,
02:33
So we need these government numbers,
61
141319
1725
02:35
but we also have to move
beyond either blindly accepting
beyond either blindly accepting
62
143068
2647
pero no tenemos
que aceptarlos ciegamente
que aceptarlos ciegamente
o rechazarlos ciegamente.
02:37
or blindly rejecting them.
63
145739
1268
Necesitamos tener las habilidades
para detectar malas estadísticas.
para detectar malas estadísticas.
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
02:42
I started to learn some of these
65
150052
1528
Comencé a aprender de esto
02:43
when I was working
in a statistical department
in a statistical department
66
151604
2166
trabajando en un departamento
de estadísticas
de estadísticas
02:45
that's part of the United Nations.
67
153794
1643
de Naciones Unidas.
Mi trabajo era averiguar cuántos
iraquíes se vieron forzados
iraquíes se vieron forzados
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
a dejar sus casas
como resultado de la guerra,
como resultado de la guerra,
02:50
as a result of the war,
69
158891
1158
02:52
and what they needed.
70
160073
1158
y qué necesitaban.
02:53
It was really important work,
but it was also incredibly difficult.
but it was also incredibly difficult.
71
161255
3178
Era un trabajo muy importante,
pero muy difícil también.
pero muy difícil también.
02:56
Every single day, we were making decisions
72
164457
2018
Cada día tomábamos decisiones
02:58
that affected the accuracy
of our numbers --
of our numbers --
73
166499
2157
que afectaban la exactitud
de los números,
de los números,
03:00
decisions like which parts
of the country we should go to,
of the country we should go to,
74
168680
2744
decisiones como cuáles partes
del país debíamos visitar,
del país debíamos visitar,
03:03
who we should speak to,
75
171448
1156
con quién hablar,
03:04
which questions we should ask.
76
172628
1568
qué preguntas realizar.
03:06
And I started to feel
really disillusioned with our work,
really disillusioned with our work,
77
174220
2680
Comencé a sentirme desilusionada
con nuestro trabajo,
con nuestro trabajo,
03:08
because we thought we were doing
a really good job,
a really good job,
78
176924
2518
porque pensábamos que hacíamos
un buen trabajo
un buen trabajo
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
pero los únicos que podían decírnoslo
eran los iraquíes,
eran los iraquíes,
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
y ellos casi nunca tenían oportunidad
de ver o cuestionar nuestro análisis.
de ver o cuestionar nuestro análisis.
03:18
So I started to feel really determined
81
186332
1831
Así que me convencí
03:20
that the one way to make
numbers more accurate
numbers more accurate
82
188187
2311
de que para obtener números exactos
03:22
is to have as many people as possible
be able to question them.
be able to question them.
83
190522
3053
se debía interrogar
a cuanta gente se pudiera.
a cuanta gente se pudiera.
Así me convertí en periodista de datos.
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
Mi trabajo es encontrar series de datos
y compartirlas con el público.
y compartirlas con el público.
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
Cualquiera lo puede hacer,
no se necesita ser un nerdo.
no se necesita ser un nerdo.
03:34
You can ignore those words;
they're used by people
they're used by people
87
202182
2355
Pueden ignorar esas palabras;
la gente las usa
la gente las usa
para decir que son inteligentes
pretendiendo ser modestos.
pretendiendo ser modestos.
03:36
trying to say they're smart
while pretending they're humble.
while pretending they're humble.
88
204561
2822
En definitiva, cualquiera puede hacerlo.
03:39
Absolutely anyone can do this.
89
207407
1589
03:41
I want to give you guys three questions
90
209020
2067
Quiero darles tres preguntas
03:43
that will help you be able to spot
some bad statistics.
some bad statistics.
91
211111
3005
que les ayudarán a detectar
malas estadísticas.
malas estadísticas.
03:46
So, question number one
is: Can you see uncertainty?
is: Can you see uncertainty?
92
214140
3507
Pregunta número uno,
¿Se distingue incertidumbre?
¿Se distingue incertidumbre?
03:49
One of things that's really changed
people's relationship with numbers,
people's relationship with numbers,
93
217671
3364
Una cosa que ha cambiado la relación
de la gente con los números,
de la gente con los números,
incluso su confianza en los medios,
03:53
and even their trust in the media,
94
221059
1641
ha sido el uso de las encuestas políticas.
03:54
has been the use of political polls.
95
222724
2258
Personalmente tengo muchos problemas
con las encuestas políticas
con las encuestas políticas
03:57
I personally have a lot of issues
with political polls
with political polls
96
225006
2538
03:59
because I think the role of journalists
is actually to report the facts
is actually to report the facts
97
227568
3376
porque creo que el rol de los periodistas
es informar sobre hechos
es informar sobre hechos
04:02
and not attempt to predict them,
98
230968
1553
y no intentar predecirlos,
04:04
especially when those predictions
can actually damage democracy
can actually damage democracy
99
232545
2996
en especial cuando esas predicciones
pueden dañar la democracia
pueden dañar la democracia
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
al decirle a la gente:
ni voten por ese tipo,
ni voten por ese tipo,
04:10
he doesn't have a chance.
101
238321
1205
no tiene oportunidad.
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
Dejemos eso a un lado y hablemos
de la exactitud de esta tarea.
de la exactitud de esta tarea.
04:15
Based on national elections
in the UK, Italy, Israel
in the UK, Italy, Israel
103
243228
4608
Basándose en elecciones nacionales
en el Reino Unido, Italia, Israel
en el Reino Unido, Italia, Israel
y claro, en la más reciente
elección presidencial de EE. UU.,
elección presidencial de EE. UU.,
04:19
and of course, the most recent
US presidential election,
US presidential election,
104
247860
2764
usar encuestas para predecir
resultados electorales
resultados electorales
04:22
using polls to predict electoral outcomes
105
250648
2137
04:24
is about as accurate as using the moon
to predict hospital admissions.
to predict hospital admissions.
106
252809
3812
es tan preciso como usar la Luna
para predecir admisiones hospitalarias.
para predecir admisiones hospitalarias.
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
No, en serio, usé información real
de un estudio académico para sacarlo.
de un estudio académico para sacarlo.
Hay muchas razones por las que
las encuestas se han vuelto inexactas.
las encuestas se han vuelto inexactas.
04:32
There are a lot of reasons why
polling has become so inaccurate.
polling has become so inaccurate.
108
260869
3727
Nuestras sociedades son diversas,
04:36
Our societies have become really diverse,
109
264620
1970
lo que hace difícil a los encuestadores
obtener un muestreo representativo
obtener un muestreo representativo
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
04:42
of the population for their polls.
111
270459
1627
de la población en sus encuestas.
04:44
People are really reluctant to answer
their phones to pollsters,
their phones to pollsters,
112
272110
3006
La gente es reacia a contestar
por teléfonos encuestas,
por teléfonos encuestas,
04:47
and also, shockingly enough,
people might lie.
people might lie.
113
275140
2276
y también, sorprendentemente,
la gente miente.
la gente miente.
04:49
But you wouldn't necessarily
know that to look at the media.
know that to look at the media.
114
277440
2811
Pero no se necesita saberlo
para mirar los medios.
para mirar los medios.
04:52
For one thing, the probability
of a Hillary Clinton win
of a Hillary Clinton win
115
280275
2761
La probabilidad
de que Hillary Clinton ganara
de que Hillary Clinton ganara
04:55
was communicated with decimal places.
116
283060
2791
se comunicó con cifras decimales.
No usamos cifras decimales
para describir la temperatura.
para describir la temperatura.
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
¿Cómo es que predecir la conducta
de 230 millones de votantes en este país
de 230 millones de votantes en este país
05:04
be that precise?
119
292772
1829
es algo tan preciso?
05:06
And then there were those sleek charts.
120
294625
2002
Y luego tenemos esas gráficas elegantes.
05:08
See, a lot of data visualizations
will overstate certainty, and it works --
will overstate certainty, and it works --
121
296651
3973
Muchas visualizaciones de datos
exageran exactitud, y funciona;
exageran exactitud, y funciona;
05:12
these charts can numb
our brains to criticism.
our brains to criticism.
122
300648
2620
esas gráficas
nos insensibilizan a la crítica.
nos insensibilizan a la crítica.
05:15
When you hear a statistic,
you might feel skeptical.
you might feel skeptical.
123
303292
2558
Cuando escuchan un número
pueden sentirse escépticos.
pueden sentirse escépticos.
05:17
As soon as it's buried in a chart,
124
305874
1635
Cuando se pone en una gráfica
05:19
it feels like some kind
of objective science,
of objective science,
125
307533
2129
se siente como ciencia objetiva,
05:21
and it's not.
126
309686
1249
y no lo es.
05:22
So I was trying to find ways
to better communicate this to people,
to better communicate this to people,
127
310959
3103
Así que busqué mejores maneras
de comunicar esto a la gente,
de comunicar esto a la gente,
05:26
to show people the uncertainty
in our numbers.
in our numbers.
128
314086
2504
de mostrarles la inexactitud
en los números.
en los números.
05:28
What I did was I started taking
real data sets,
real data sets,
129
316614
2246
Comencé a tomar grupos
de información real,
de información real,
05:30
and turning them into
hand-drawn visualizations,
hand-drawn visualizations,
130
318884
2652
y a convertirlos en visualizaciones
hechas a mano,
hechas a mano,
05:33
so that people can see
how imprecise the data is;
how imprecise the data is;
131
321560
2672
para que la gente viera
cuán imprecisos son los datos;
cuán imprecisos son los datos;
que estaban hechos por un humano,
05:36
so people can see that a human did this,
132
324256
1996
que encontró la información
y la visualizó.
y la visualizó.
05:38
a human found the data and visualized it.
133
326276
1972
05:40
For example, instead
of finding out the probability
of finding out the probability
134
328272
2672
Por ejemplo,
en lugar de encontrar la probabilidad
en lugar de encontrar la probabilidad
05:42
of getting the flu in any given month,
135
330968
2126
de enfermarse de gripa
en algún mes,
en algún mes,
05:45
you can see the rough
distribution of flu season.
distribution of flu season.
136
333118
2792
verían la distribución bruta
de la temporada de gripa.
de la temporada de gripa.
05:47
This is --
137
335934
1167
Esta es...
05:49
(Laughter)
138
337125
1018
(Risas)
una mala toma
mostrada en febrero.
mostrada en febrero.
05:50
a bad shot to show in February.
139
338167
1486
05:51
But it's also more responsible
data visualization,
data visualization,
140
339677
2455
Pero es una visualización
de datos más responsable,
de datos más responsable,
05:54
because if you were to show
the exact probabilities,
the exact probabilities,
141
342156
2455
porque si mostraran
las probabilidades exactas
las probabilidades exactas
05:56
maybe that would encourage
people to get their flu jabs
people to get their flu jabs
142
344635
2592
quizá alentaría a la gente
a tomar sus vacunas
a tomar sus vacunas
05:59
at the wrong time.
143
347251
1456
en el momento equivocado.
06:01
The point of these shaky lines
144
349163
1693
El punto de estas líneas inestables
06:02
is so that people remember
these imprecisions,
these imprecisions,
145
350880
2911
es que la gente recuerda
estas imprecisiones,
estas imprecisiones,
06:05
but also so they don't necessarily
walk away with a specific number,
walk away with a specific number,
146
353815
3227
pero no necesariamente
se quedan con un número específico,
se quedan con un número específico,
06:09
but they can remember important facts.
147
357066
1866
pero recuerdan datos importantes.
06:10
Facts like injustice and inequality
leave a huge mark on our lives.
leave a huge mark on our lives.
148
358956
4024
Datos como injusticia e inequidad
marcan nuestras vidas.
marcan nuestras vidas.
06:15
Facts like Black Americans and Native
Americans have shorter life expectancies
Americans have shorter life expectancies
149
363004
4189
Datos como que afroamericanos y nativos
americanos tienen menos esperanza de vida
americanos tienen menos esperanza de vida
06:19
than those of other races,
150
367217
1400
que los de otras razas,
06:20
and that isn't changing anytime soon.
151
368641
2138
y eso no cambiará pronto.
Datos como se puede confinar a
prisioneros en EE. UU. en aislamiento
prisioneros en EE. UU. en aislamiento
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
06:26
that are smaller than the size
of an average parking space.
of an average parking space.
153
374728
3342
en celdas más pequeñas que un
espacio de aparcamiento promedio.
espacio de aparcamiento promedio.
06:30
The point of these visualizations
is also to remind people
is also to remind people
154
378535
3335
El punto de estas visualizaciones
es también recordarle a la gente
es también recordarle a la gente
06:33
of some really important
statistical concepts,
statistical concepts,
155
381894
2350
algunos conceptos estadísticos
muy importantes,
muy importantes,
06:36
concepts like averages.
156
384268
1636
conceptos como promedios.
06:37
So let's say you hear a claim like,
157
385928
1668
Supongamos que escuchan,
06:39
"The average swimming pool in the US
contains 6.23 fecal accidents."
contains 6.23 fecal accidents."
158
387620
4434
"La piscina promedio en EE. UU.
sufre de 6,23 accidentes fecales".
sufre de 6,23 accidentes fecales".
06:44
That doesn't mean every single
swimming pool in the country
swimming pool in the country
159
392078
2797
No significa
que cada alberca en el país
que cada alberca en el país
06:46
contains exactly 6.23 turds.
160
394899
2194
tiene 6,23 mojones.
06:49
So in order to show that,
161
397117
1417
Para mostrar eso,
06:50
I went back to the original data,
which comes from the CDC,
which comes from the CDC,
162
398558
2841
revisé la información original,
provenientes de la CDC,
provenientes de la CDC,
ellos estudiaron 47
instalaciones acuáticas.
instalaciones acuáticas.
06:53
who surveyed 47 swimming facilities.
163
401423
2065
06:55
And I just spent one evening
redistributing poop.
redistributing poop.
164
403512
2391
Invertí una tarde
redistribuyendo excremento.
redistribuyendo excremento.
06:57
So you can kind of see
how misleading averages can be.
how misleading averages can be.
165
405927
2682
Para que pudieran ver
cuán engañosos son los promedios.
cuán engañosos son los promedios.
07:00
(Laughter)
166
408633
1282
(Risas)
07:01
OK, so the second question
that you guys should be asking yourselves
that you guys should be asking yourselves
167
409939
3901
La segunda pregunta
que se deben hacer
que se deben hacer
para detectar un número erróneo:
07:05
to spot bad numbers is:
168
413864
1501
07:07
Can I see myself in the data?
169
415389
1967
¿Me reflejo en los datos?
07:09
This question is also
about averages in a way,
about averages in a way,
170
417380
2913
Esta pregunta también es acerca
de los promedios,
de los promedios,
07:12
because part of the reason
why people are so frustrated
why people are so frustrated
171
420317
2605
porque la gente se frustra
con las estadísticas nacionales
07:14
with these national statistics,
172
422946
1495
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
porque estas no dicen
quién va ganando o perdiendo
quién va ganando o perdiendo
en una política nacional.
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
Se comprende por qué la gente
se frustra con los promedios globales
se frustra con los promedios globales
07:24
when they don't match up
with their personal experiences.
with their personal experiences.
176
432284
2679
cuando no coinciden
con sus experiencias personales.
con sus experiencias personales.
Quería mostrarles cómo los datos
se relacionan con la vida cotidiana.
se relacionan con la vida cotidiana.
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
Comencé una columna de consejos
"Querida Mona,"
"Querida Mona,"
07:32
where people would write to me
with questions and concerns
with questions and concerns
179
440544
2726
donde la gente me escribe
preguntas y preocupaciones
preguntas y preocupaciones
07:35
and I'd try to answer them with data.
180
443294
1784
e intento responderles con datos.
La gente pregunta de todo,
07:37
People asked me anything.
181
445102
1200
como, "¿Es normal que duerma
en camas separadas con mi esposa?",
en camas separadas con mi esposa?",
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
"¿La gente se arrepiente de tatuarse?",
07:41
"Do people regret their tattoos?"
183
449611
1591
07:43
"What does it mean to die
of natural causes?"
of natural causes?"
184
451226
2164
"¿Qué significa morir
por causas naturales?".
por causas naturales?".
07:45
All of these questions are great,
because they make you think
because they make you think
185
453414
2966
Todas las preguntas son buenas,
porque te hacen pensar
porque te hacen pensar
en maneras de encontrar
y comunicar estos números.
y comunicar estos números.
07:48
about ways to find
and communicate these numbers.
and communicate these numbers.
186
456404
2336
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
Si alguien pregunta, "¿Cuánta orina
es demasiada orina?",
es demasiada orina?",
07:53
which is a question that I got asked,
188
461291
2458
que es una pregunta que me hicieron,
07:55
you really want to make sure
that the visualization makes sense
that the visualization makes sense
189
463773
2980
quieres asegurarte
de que la visualización tenga sentido
de que la visualización tenga sentido
07:58
to as many people as possible.
190
466777
1747
para tanta gente como sea posible.
08:00
These numbers aren't unavailable.
191
468548
1575
Estos números están disponibles.
08:02
Sometimes they're just buried
in the appendix of an academic study.
in the appendix of an academic study.
192
470147
3507
A veces están enterrados en el apéndice
de un estudio académico.
de un estudio académico.
08:05
And they're certainly not inscrutable;
193
473678
1839
Y ciertamente no son inescrutables;
08:07
if you really wanted to test
these numbers on urination volume,
these numbers on urination volume,
194
475541
2975
si realmente quieren probar
estos números de volumen de orina,
estos números de volumen de orina,
08:10
you could grab a bottle
and try it for yourself.
and try it for yourself.
195
478540
2257
podrían probarlo Uds. mismos
con una botella.
con una botella.
08:12
(Laughter)
196
480821
1008
(Risas)
El punto de esto
no es necesariamente
no es necesariamente
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
que cada grupo de datos
se relacione con Uds.
se relacione con Uds.
08:18
I'm interested in how many women
were issued fines in France
were issued fines in France
199
486472
2880
Me interesa cuántas mujeres
recibieron multas en Francia
recibieron multas en Francia
08:21
for wearing the face veil, or the niqab,
200
489376
1959
por usar velo facial, o el nicab,
08:23
even if I don't live in France
or wear the face veil.
or wear the face veil.
201
491359
2618
incluso si no vivo en Francia
o no uso el velo facial.
o no uso el velo facial.
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
El punto es lograr tanto contexto
como sea posible
como sea posible
Se trata de alejarse del punto de datos,
08:29
So it's about zooming out
from one data point,
from one data point,
203
497860
2191
como la tasa de desempleo es del 5 %,
08:32
like the unemployment rate
is five percent,
is five percent,
204
500075
2104
y ver cómo cambia con el tiempo,
08:34
and seeing how it changes over time,
205
502203
1757
o ver cómo cambia
según el estatus educativo,
según el estatus educativo,
08:35
or seeing how it changes
by educational status --
by educational status --
206
503984
2650
--por eso sus padres siempre quisieron
que fueran a la universidad--
que fueran a la universidad--
08:38
this is why your parents always
wanted you to go to college --
wanted you to go to college --
207
506658
3104
08:41
or seeing how it varies by gender.
208
509786
2032
o ver cómo varía según el género.
08:43
Nowadays, male unemployment rate is higher
209
511842
2127
Hoy la tasa de desempleo
de varones es mayor
de varones es mayor
08:45
than the female unemployment rate.
210
513993
1700
que la de las mujeres.
08:47
Up until the early '80s,
it was the other way around.
it was the other way around.
211
515717
2695
Hasta principios de los ochenta,
era al revés.
era al revés.
08:50
This is a story of one
of the biggest changes
of the biggest changes
212
518436
2117
Este es uno de los mayores cambios
08:52
that's happened in American society,
213
520577
1720
en la sociedad estadounidense,
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
y todo está en la gráfica,
si ven más allá de los promedios.
si ven más allá de los promedios.
08:57
The axes are everything;
215
525621
1165
Los ejes lo son todo;
08:58
once you change the scale,
you can change the story.
you can change the story.
216
526810
2669
si se cambia la escala,
se puede cambiar la historia.
se puede cambiar la historia.
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
La tercera y última pregunta
que quiero que piensen
que quiero que piensen
09:04
when you're looking at statistics is:
218
532907
1819
cuando miren una estadística es:
09:06
How was the data collected?
219
534750
1873
¿Cómo se recopiló la información?
Hasta ahora, solo he hablado
de cómo se comunican los datos,
de cómo se comunican los datos,
09:09
So far, I've only talked about the way
data is communicated,
data is communicated,
220
537667
2939
pero el cómo se recopilaron
es igual de importante.
es igual de importante.
09:12
but the way it's collected
matters just as much.
matters just as much.
221
540630
2276
Sé que es difícil,
09:14
I know this is tough,
222
542930
1167
09:16
because methodologies can be opaque
and actually kind of boring,
and actually kind of boring,
223
544121
3081
porque la metodología puede ser opaca
y un tanto aburrida,
y un tanto aburrida,
09:19
but there are some simple steps
you can take to check this.
you can take to check this.
224
547226
2873
pero hay unos pasos sencillos
para revisar esto.
para revisar esto.
09:22
I'll use one last example here.
225
550123
1839
Usaré un último ejemplo.
Una encuesta encontró que el 41 % de los
musulmanes del país apoyaban la yihad,
musulmanes del país apoyaban la yihad,
09:24
One poll found that 41 percent of Muslims
in this country support jihad,
in this country support jihad,
226
552309
3887
09:28
which is obviously pretty scary,
227
556220
1525
lo cual obviamente asusta,
09:29
and it was reported everywhere in 2015.
228
557769
2642
y se reportó en todos lados en 2015.
09:32
When I want to check a number like that,
229
560435
2615
Cuando quiero revisar un número como ese,
09:35
I'll start off by finding
the original questionnaire.
the original questionnaire.
230
563074
2501
comenzaré por encontrar
el cuestionario original.
el cuestionario original.
09:37
It turns out that journalists
who reported on that statistic
who reported on that statistic
231
565599
2926
Resulta que los periodistas
que reportaron esa estadística
que reportaron esa estadística
09:40
ignored a question
lower down on the survey
lower down on the survey
232
568549
2231
ignoraron una pregunta posterior
en la encuesta
en la encuesta
09:42
that asked respondents
how they defined "jihad."
how they defined "jihad."
233
570804
2346
que pedía a los encuestados
definir "yihad".
definir "yihad".
Y la mayoría lo definían como,
09:45
And most of them defined it as,
234
573174
1981
"La lucha personal y pacífica
para ser más religioso".
para ser más religioso".
09:47
"Muslims' personal, peaceful struggle
to be more religious."
to be more religious."
235
575179
3942
El 16 % lo definió como "guerra santa
y violenta contra los no creyentes".
y violenta contra los no creyentes".
09:51
Only 16 percent defined it as,
"violent holy war against unbelievers."
"violent holy war against unbelievers."
236
579145
4194
09:55
This is the really important point:
237
583363
2430
Este es un punto importante:
09:57
based on those numbers,
it's totally possible
it's totally possible
238
585817
2155
basándose en esos números
es posible que nadie
es posible que nadie
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
en la encuesta que lo definió
como guerra santa
como guerra santa
dijera que también lo apoyaba.
10:03
also said they support it.
240
591125
1332
10:04
Those two groups might not overlap at all.
241
592481
2208
Esos dos grupos quizá no coincidan.
También es pertinente preguntar
cómo se realizó la encuesta.
cómo se realizó la encuesta.
10:07
It's also worth asking
how the survey was carried out.
how the survey was carried out.
242
595122
2637
Esta fue encuesta fue
de participación libre,
de participación libre,
10:09
This was something called an opt-in poll,
243
597783
1998
10:11
which means anyone could have found it
on the internet and completed it.
on the internet and completed it.
244
599805
3402
cualquiera pudo encontrarla
en internet y responderla.
en internet y responderla.
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
No se puede saber si esas personas
se identificaban como musulmanes.
se identificaban como musulmanes.
10:18
And finally, there were 600
respondents in that poll.
respondents in that poll.
246
606594
2612
Finalmente, hubo 600 encuestados
en esa encuesta.
en esa encuesta.
Hay cerca de tres millones
de musulmanes en este país,
de musulmanes en este país,
10:21
There are roughly three million
Muslims in this country,
Muslims in this country,
247
609230
2654
según el Centro de Investigación Pew.
10:23
according to Pew Research Center.
248
611908
1607
10:25
That means the poll spoke to roughly
one in every 5,000 Muslims
one in every 5,000 Muslims
249
613539
2993
Significa que se encuestó
a uno de cada 5000 musulmanes
a uno de cada 5000 musulmanes
en este país.
10:28
in this country.
250
616556
1168
Esta es una de las
tres razones por las que
tres razones por las que
10:29
This is one of the reasons
251
617748
1266
10:31
why government statistics
are often better than private statistics.
are often better than private statistics.
252
619038
3607
las estadísticas gubernamentales
son mejores que las privadas.
son mejores que las privadas.
10:34
A poll might speak to a couple
hundred people, maybe a thousand,
hundred people, maybe a thousand,
253
622669
3035
Una encuesta puede hablar con unos
cientos, o miles,
cientos, o miles,
o como L'Oreal en 2005, para vender
productos para el cuidado de la piel,
productos para el cuidado de la piel,
10:37
or if you're L'Oreal, trying to sell
skin care products in 2005,
skin care products in 2005,
254
625728
3058
hablaron con 48 mujeres
para decir que trabajaron.
para decir que trabajaron.
10:40
then you spoke to 48 women
to claim that they work.
to claim that they work.
255
628810
2417
10:43
(Laughter)
256
631251
1026
(Risas)
Las compañías privadas no tienen
gran interés por obtener bien los números,
gran interés por obtener bien los números,
10:44
Private companies don't have a huge
interest in getting the numbers right,
interest in getting the numbers right,
257
632301
3556
solo necesitan
los números correctos.
los números correctos.
10:47
they just need the right numbers.
258
635881
1755
10:49
Government statisticians aren't like that.
259
637660
2020
Los estadísticos gubernamentales
no son así.
no son así.
10:51
In theory, at least,
they're totally impartial,
they're totally impartial,
260
639704
2447
En teoría, al menos, son imparciales,
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
porque la mayoría hace su trabajo
sin importar quién esté en el poder.
sin importar quién esté en el poder.
Son servidores públicos.
10:57
They're civil servants.
262
645700
1162
10:58
And to do their jobs properly,
263
646886
1964
Y hacen su trabajo apropiadamente,
11:00
they don't just speak
to a couple hundred people.
to a couple hundred people.
264
648874
2363
no solo hablan con un par de cientos.
Esos números de desempleo
de los que he hablando
de los que he hablando
11:03
Those unemployment numbers
I keep on referencing
I keep on referencing
265
651261
2318
vienen de la administración
de Estadísticas Laborales,
de Estadísticas Laborales,
11:05
come from the Bureau of Labor Statistics,
266
653603
2004
11:07
and to make their estimates,
267
655631
1335
y para sacar sus estimaciones,
11:08
they speak to over 140,000
businesses in this country.
businesses in this country.
268
656990
3489
hablan con cerca de 140 000
negocios en el país.
negocios en el país.
Lo comprendo, es frustrante.
11:12
I get it, it's frustrating.
269
660503
1725
Si quieren comprobar una estadística
de una compañía privada,
de una compañía privada,
11:14
If you want to test a statistic
that comes from a private company,
that comes from a private company,
270
662252
3115
compren la crema facial
y pruébenla
y pruébenla
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
si no funciona, pueden decir
que los números se equivocan.
que los números se equivocan.
11:20
if it doesn't work,
you can say the numbers were wrong.
you can say the numbers were wrong.
272
668776
2591
Pero ¿cómo cuestionar
estadísticas gubernamentales?
estadísticas gubernamentales?
11:23
But how do you question
government statistics?
government statistics?
273
671391
2146
Solo continúen revisando todo.
11:25
You just keep checking everything.
274
673561
1630
Averigüen cómo recopilaron los números.
11:27
Find out how they collected the numbers.
275
675215
1913
Averigüen si en la estadística ven
todo lo que necesitan ver.
todo lo que necesitan ver.
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
Pero no se rindan ante los números
porque si lo hacen,
porque si lo hacen,
11:32
But don't give up on the numbers
altogether, because if you do,
altogether, because if you do,
277
680301
2965
estaremos tomando decisiones sobre
políticas públicas ciegamente,
políticas públicas ciegamente,
11:35
we'll be making public policy
decisions in the dark,
decisions in the dark,
278
683290
2439
usando solo intereses privados
para guiarnos.
para guiarnos.
11:37
using nothing but private
interests to guide us.
interests to guide us.
279
685753
2262
Gracias.
11:40
Thank you.
280
688039
1166
(Aplausos)
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