0:00:06.548,0:00:09.077
الإحصائيات مقنعة.

0:00:09.077,0:00:12.541
مقنعة جداً لدرجة أن معظم الناس،[br]و المنظمات ودول بأكملها

0:00:12.631,0:00:17.747
قد تبني معظم أهم قراراتها[br]على البيانات المعطاة

0:00:17.747,0:00:19.484
ولكن هنالك مشكلة

0:00:19.484,0:00:23.301
أي مجموعة من الإحصاءات [br]ربما تخبئ شيئاً بداخلها

0:00:23.301,0:00:27.251
شيئاً قد يقلب النتائج رأساً على عقب

0:00:27.251,0:00:30.920
على سبيل المثال: [br]تخيل أن عليك الاختيار بين مستشفيين

0:00:30.920,0:00:33.737
من أجل عملية لقريبتك الكبيرة في السن

0:00:33.737,0:00:36.434
من آخر 1000 مريض في كلا المستشفيين

0:00:36.434,0:00:39.612
900 منهم نجا في المشفى أ،

0:00:39.612,0:00:43.021
بينما فقط 800 منهم نجا في المشفى ب

0:00:43.021,0:00:46.170
إذاً يبدو لك أن المشفى أ هو الخيار الأفضل

0:00:46.170,0:00:47.843
ولكن قبل أن تتخذ قرارك

0:00:47.843,0:00:51.411
تذكر أنه ليس كل المرضى وصلوا إلى المشفى

0:00:51.411,0:00:53.811
بنفس مستوى الصحة

0:00:53.811,0:00:56.703
وإذا قسمنا كل 1000 مريض

0:00:56.703,0:01:01.132
إلى قسمين هؤلاء الذين وصلوا [br]بصحة جيدة والذين وصلوا بصحة متدنية

0:01:01.132,0:01:03.772
قد تختلف الصورة كثيراً

0:01:03.772,0:01:07.849
فقط 100 مريض وصلوا مستشفى أ في حال متدنية

0:01:07.849,0:01:10.325
والذي عاش منهم 30

0:01:10.325,0:01:14.852
بينما 400 مريض وصلوا مشفى ب [br]وقد تمكنوا من إنقاذ 210 منهم

0:01:14.852,0:01:17.169
إذاً مشفى ب هو الخيار الافضل

0:01:17.169,0:01:20.741
للمرضى الذين يصلون للمشفى في حال متدنية

0:01:20.741,0:01:24.526
مع نسبة نجاة بنسبة 52.5%

0:01:24.526,0:01:28.445
وماذا إذا كانت صحة قريبتك جيدة [br]عندما وصلت إلى المشفى

0:01:28.445,0:01:32.271
بشكل غريب ستجد أن مشفى ب [br]لايزال الخيار الأفضل

0:01:32.271,0:01:35.676
بنسبة نجاة تصل إلى 98%

0:01:35.676,0:01:38.733
إذاً كيف أظهرت الإحصائيات [br]أن مشفى أ أفضل في نسبة النجاة الكلية

0:01:38.733,0:01:44.830
إذا كان مشفى ب قد حصل على نسبة [br]نجاة أعلى في كل المجموعتين؟

0:01:44.830,0:01:48.589
ذلك الذي استعرضناه من قبل [br]هي حالة تسمى بمفارقة سيمبسون

0:01:48.589,0:01:51.899
عندما يكون لدينا نفس مجموعة البيانات [br]ولكن تظهر بنتيجتين متعاكستين

0:01:51.899,0:01:54.664
اعتماداً على طريقة تقسيمها

0:01:54.664,0:01:58.744
هذا يحدث غالباً إذا كانت البيانات [br]المجموعة تخفي متغيرات شرطية

0:01:58.744,0:02:01.377
وأحياناً تعرف بالمتغيرات المندسَّة

0:02:01.377,0:02:06.584
وهي عوامل إضافية مندسَّة [br]قد تؤثر في النتيجة بشكل كامل

0:02:06.584,0:02:10.023
وهنا، العامل المندس [br]هو العلاقة بين نسبة المرضى

0:02:10.023,0:02:13.264
الذين وصلوا بصحة جيدة أو بصحة متدنية

0:02:13.264,0:02:16.544
مفارقة سيبمسون ليست مجرد سيناريو افتراضي

0:02:16.544,0:02:18.924
إنها تظهر لنا من [br]وقت لآخر في العالم الواقعي

0:02:18.924,0:02:22.132
وأحيانا في ظروف مهمة

0:02:22.132,0:02:24.130
دراسة في المملكة المتحدة أظهرت لنا

0:02:24.130,0:02:27.600
أن المدخنين لديهم معدلات [br]عمر أطول من غير المدخنين

0:02:27.600,0:02:29.846
خلال عشرين سنة

0:02:29.846,0:02:33.307
هذا ماكان إلى أن تم تقسيم [br]المشاركين إلى مجموعات حسب العمر

0:02:33.307,0:02:37.823
والتي أظهرت أن المشاركين [br]غير المدخنين كان سنهم أكبر

0:02:37.823,0:02:40.930
ولذلك فاحتمالية موتهم [br]خلال فترة الإحصائية أكبر

0:02:40.930,0:02:44.438
على وجة التحديد لأنهم عاشوا أطول بشكل عام

0:02:44.438,0:02:47.286
وهنا عامل التقسيم حسب العمر [br]هو العامل المندس

0:02:47.286,0:02:50.176
ولذلك من المهم أن نفسر [br]البيانات المعطاة جيدا

0:02:50.176,0:02:51.559
وفي مثال آخر

0:02:51.559,0:02:54.281
في تحليل لأحكام الإعدام [br]في بعض القضايا في فلوريدا

0:02:54.281,0:02:58.265
بدا أنه يكشف أنه ليس [br]هنالك أي تفاوت عرقي في الحكم

0:02:58.265,0:03:01.581
بين المتهمين البيض والسود في قضايا القتل

0:03:01.581,0:03:06.396
ولكن إذا قسمنا القضية حسب [br]عرق الضحايا تصبح لدينا قصة مختلفة

0:03:06.396,0:03:07.969
في كلا الوضعين

0:03:07.969,0:03:11.091
المتهمين السود غالباً [br]ما يحكم عليهم بالإعدام

0:03:11.091,0:03:15.066
مع ارتفاع طفيف في أحكام [br]الإعدام على المتهمين البيض

0:03:15.066,0:03:18.692
في القضايا التي تكون فيها قتل للبيض

0:03:18.692,0:03:21.359
غالباً مايُحكم فيها بالإعدام

0:03:21.359,0:03:24.091
عن تلك القضايا التي يكون فيها الضحايا سود

0:03:24.091,0:03:28.483
ومعظم قضايا القتل تحدث [br]بين شخصين من نفس العرق

0:03:28.483,0:03:31.319
إذا ً كيف نتجنب الوقوع في المفارقة؟

0:03:31.319,0:03:34.686
لسوء الحظ ليس هنالك إجابة [br]قد تناسب كل الحالات

0:03:34.686,0:03:38.504
بإمكاننا تجميع البيانات [br]وفرزها بطرق لا حصر لها

0:03:38.504,0:03:42.106
وبشكل عام الأرقام أحياناً [br]بإمكانها إعطائنا صورة أصح

0:03:42.106,0:03:46.638
من البيانات المقسمة [br]إلى مجموعات مضللة أو اعتباطية

0:03:46.638,0:03:52.089
كل ما بإمكاننا فعله هو دراسة [br]الأوضاع الفعلية الموصوفة علميا

0:03:52.089,0:03:55.977
وملاحظة ما إذا كان هنالك عوامل مندسة

0:03:55.977,0:03:59.378
وإلا فنحن نجعل من أنفسنا ضحية سهلة [br]لهؤلاء الذين قد يستخدمون البيانات

0:03:59.378,0:04:02.649
لخداع الآخرين وتمرير أفكارهم الخاصة