1
00:00:06,548 --> 00:00:09,077
الإحصائيات مقنعة.

2
00:00:09,077 --> 00:00:12,541
مقنعة جداً لدرجة أن معظم الناس،
و المنظمات ودول بأكملها

3
00:00:12,631 --> 00:00:17,747
قد تبني معظم أهم قراراتها
على البيانات المعطاة

4
00:00:17,747 --> 00:00:19,484
ولكن هنالك مشكلة

5
00:00:19,484 --> 00:00:23,301
أي مجموعة من الإحصاءات 
ربما تخبئ شيئاً بداخلها

6
00:00:23,301 --> 00:00:27,251
شيئاً قد يقلب النتائج رأساً على عقب

7
00:00:27,251 --> 00:00:30,920
على سبيل المثال: 
تخيل أن عليك الاختيار بين مستشفيين

8
00:00:30,920 --> 00:00:33,737
من أجل عملية لقريبتك الكبيرة في السن

9
00:00:33,737 --> 00:00:36,434
من آخر 1000 مريض في كلا المستشفيين

10
00:00:36,434 --> 00:00:39,612
900 منهم نجا في المشفى أ،

11
00:00:39,612 --> 00:00:43,021
بينما فقط 800 منهم نجا في المشفى ب

12
00:00:43,021 --> 00:00:46,170
إذاً يبدو لك أن المشفى أ هو الخيار الأفضل

13
00:00:46,170 --> 00:00:47,843
ولكن قبل أن تتخذ قرارك

14
00:00:47,843 --> 00:00:51,411
تذكر أنه ليس كل المرضى وصلوا إلى المشفى

15
00:00:51,411 --> 00:00:53,811
بنفس مستوى الصحة

16
00:00:53,811 --> 00:00:56,703
وإذا قسمنا كل 1000 مريض

17
00:00:56,703 --> 00:01:01,132
إلى قسمين هؤلاء الذين وصلوا 
بصحة جيدة والذين وصلوا بصحة متدنية

18
00:01:01,132 --> 00:01:03,772
قد تختلف الصورة كثيراً

19
00:01:03,772 --> 00:01:07,849
فقط 100 مريض وصلوا مستشفى أ في حال متدنية

20
00:01:07,849 --> 00:01:10,325
والذي عاش منهم 30

21
00:01:10,325 --> 00:01:14,852
بينما 400 مريض وصلوا مشفى ب 
وقد تمكنوا من إنقاذ 210 منهم

22
00:01:14,852 --> 00:01:17,169
إذاً مشفى ب هو الخيار الافضل

23
00:01:17,169 --> 00:01:20,741
للمرضى الذين يصلون للمشفى في حال متدنية

24
00:01:20,741 --> 00:01:24,526
مع نسبة نجاة بنسبة 52.5%

25
00:01:24,526 --> 00:01:28,445
وماذا إذا كانت صحة قريبتك جيدة 
عندما وصلت إلى المشفى

26
00:01:28,445 --> 00:01:32,271
بشكل غريب ستجد أن مشفى ب 
لايزال الخيار الأفضل

27
00:01:32,271 --> 00:01:35,676
بنسبة نجاة تصل إلى 98%

28
00:01:35,676 --> 00:01:38,733
إذاً كيف أظهرت الإحصائيات 
أن مشفى أ أفضل في نسبة النجاة الكلية

29
00:01:38,733 --> 00:01:44,830
إذا كان مشفى ب قد حصل على نسبة 
نجاة أعلى في كل المجموعتين؟

30
00:01:44,830 --> 00:01:48,589
ذلك الذي استعرضناه من قبل 
هي حالة تسمى بمفارقة سيمبسون

31
00:01:48,589 --> 00:01:51,899
عندما يكون لدينا نفس مجموعة البيانات 
ولكن تظهر بنتيجتين متعاكستين

32
00:01:51,899 --> 00:01:54,664
اعتماداً على طريقة تقسيمها

33
00:01:54,664 --> 00:01:58,744
هذا يحدث غالباً إذا كانت البيانات 
المجموعة تخفي متغيرات شرطية

34
00:01:58,744 --> 00:02:01,377
وأحياناً تعرف بالمتغيرات المندسَّة

35
00:02:01,377 --> 00:02:06,584
وهي عوامل إضافية مندسَّة 
قد تؤثر في النتيجة بشكل كامل

36
00:02:06,584 --> 00:02:10,023
وهنا، العامل المندس 
هو العلاقة بين نسبة المرضى

37
00:02:10,023 --> 00:02:13,264
الذين وصلوا بصحة جيدة أو بصحة متدنية

38
00:02:13,264 --> 00:02:16,544
مفارقة سيبمسون ليست مجرد سيناريو افتراضي

39
00:02:16,544 --> 00:02:18,924
إنها تظهر لنا من 
وقت لآخر في العالم الواقعي

40
00:02:18,924 --> 00:02:22,132
وأحيانا في ظروف مهمة

41
00:02:22,132 --> 00:02:24,130
دراسة في المملكة المتحدة أظهرت لنا

42
00:02:24,130 --> 00:02:27,600
أن المدخنين لديهم معدلات 
عمر أطول من غير المدخنين

43
00:02:27,600 --> 00:02:29,846
خلال عشرين سنة

44
00:02:29,846 --> 00:02:33,307
هذا ماكان إلى أن تم تقسيم 
المشاركين إلى مجموعات حسب العمر

45
00:02:33,307 --> 00:02:37,823
والتي أظهرت أن المشاركين 
غير المدخنين كان سنهم أكبر

46
00:02:37,823 --> 00:02:40,930
ولذلك فاحتمالية موتهم 
خلال فترة الإحصائية أكبر

47
00:02:40,930 --> 00:02:44,438
على وجة التحديد لأنهم عاشوا أطول بشكل عام

48
00:02:44,438 --> 00:02:47,286
وهنا عامل التقسيم حسب العمر 
هو العامل المندس

49
00:02:47,286 --> 00:02:50,176
ولذلك من المهم أن نفسر 
البيانات المعطاة جيدا

50
00:02:50,176 --> 00:02:51,559
وفي مثال آخر

51
00:02:51,559 --> 00:02:54,281
في تحليل لأحكام الإعدام 
في بعض القضايا في فلوريدا

52
00:02:54,281 --> 00:02:58,265
بدا أنه يكشف أنه ليس 
هنالك أي تفاوت عرقي في الحكم

53
00:02:58,265 --> 00:03:01,581
بين المتهمين البيض والسود في قضايا القتل

54
00:03:01,581 --> 00:03:06,396
ولكن إذا قسمنا القضية حسب 
عرق الضحايا تصبح لدينا قصة مختلفة

55
00:03:06,396 --> 00:03:07,969
في كلا الوضعين

56
00:03:07,969 --> 00:03:11,091
المتهمين السود غالباً 
ما يحكم عليهم بالإعدام

57
00:03:11,091 --> 00:03:15,066
مع ارتفاع طفيف في أحكام 
الإعدام على المتهمين البيض

58
00:03:15,066 --> 00:03:18,692
في القضايا التي تكون فيها قتل للبيض

59
00:03:18,692 --> 00:03:21,359
غالباً مايُحكم فيها بالإعدام

60
00:03:21,359 --> 00:03:24,091
عن تلك القضايا التي يكون فيها الضحايا سود

61
00:03:24,091 --> 00:03:28,483
ومعظم قضايا القتل تحدث 
بين شخصين من نفس العرق

62
00:03:28,483 --> 00:03:31,319
إذا ً كيف نتجنب الوقوع في المفارقة؟

63
00:03:31,319 --> 00:03:34,686
لسوء الحظ ليس هنالك إجابة 
قد تناسب كل الحالات

64
00:03:34,686 --> 00:03:38,504
بإمكاننا تجميع البيانات 
وفرزها بطرق لا حصر لها

65
00:03:38,504 --> 00:03:42,106
وبشكل عام الأرقام أحياناً 
بإمكانها إعطائنا صورة أصح

66
00:03:42,106 --> 00:03:46,638
من البيانات المقسمة 
إلى مجموعات مضللة أو اعتباطية

67
00:03:46,638 --> 00:03:52,089
كل ما بإمكاننا فعله هو دراسة 
الأوضاع الفعلية الموصوفة علميا

68
00:03:52,089 --> 00:03:55,977
وملاحظة ما إذا كان هنالك عوامل مندسة

69
00:03:55,977 --> 00:03:59,378
وإلا فنحن نجعل من أنفسنا ضحية سهلة 
لهؤلاء الذين قد يستخدمون البيانات

70
00:03:59,378 --> 00:04:02,649
لخداع الآخرين وتمرير أفكارهم الخاصة