0:00:06.636,0:00:08.947
Η στατιστική είναι πειστική.

0:00:08.947,0:00:12.541
Τόσο πολύ που άνθρωποι,[br]οργανώσεις και ολόκληρες χώρες

0:00:12.541,0:00:17.517
βασίζουν ορισμένες από τις πιο κρίσιμες[br]αποφάσεις τους σε οργανωμένα δεδομένα.

0:00:17.517,0:00:19.484
Ωστόσο, υπάρχει ένα πρόβλημα με αυτό.

0:00:19.484,0:00:22.941
Κάθε στατιστικό δείγμα [br]ενδέχεται να ελλοχεύει

0:00:22.941,0:00:27.061
κάτι που ανατρέπει[br]εξ ολοκλήρου τα αποτελέσματα.

0:00:27.061,0:00:30.920
Για παράδειγμα, φαντάσου ότι χρειάζεται[br]να αποφασίσεις μεταξύ δύο νοσοκομείων

0:00:30.920,0:00:33.737
για τη χειρουργική επέμβαση[br]ενός ηλικιωμένου συγγενή.

0:00:33.737,0:00:36.434
Από τους τελευταίους 1.000 ασθενείς[br]κάθε νοσοκομείου,

0:00:36.434,0:00:39.612
στο πρώτο νοσοκομείο επέζησαν 900

0:00:39.612,0:00:42.761
και μόνο 800 στο δεύτερο.

0:00:42.761,0:00:45.730
Επομένως, το πρώτο νοσοκομείο[br]φαντάζει καλύτερη επιλογή.

0:00:45.730,0:00:47.673
Όμως πριν αποφασίσεις,

0:00:47.673,0:00:51.411
θυμίσου ότι δεν έφτασαν[br]όλοι οι πάσχοντες στο νοσοκομείο

0:00:51.411,0:00:53.641
στην ίδια κατάσταση.

0:00:53.811,0:00:57.073
Αν σε κάθε νοσοκομείο διαιρέσουμε[br]τους 1.000 τελευταίους ασθενείς

0:00:57.073,0:01:01.132
σε αυτούς που φτάνουν σε καλή και [br]σε αυτούς που φτάνουν σε άσχημη κατάσταση,

0:01:01.132,0:01:03.772
η εικόνα αρχίζει να αλλάζει σημαντικά.

0:01:03.772,0:01:07.849
Το νοσοκομείο Α είχε μόλις 100 ασθενείς[br]που έφτασαν σε άσχημη κατάσταση υγείας,

0:01:07.849,0:01:10.325
30 από τους οποίους επέζησαν.

0:01:10.325,0:01:14.852
Όμως, το νοσοκομείο Β είχε 400[br]και μπόρεσε να σώσει τους 210.

0:01:14.852,0:01:17.169
Οπότε το δεύτερο είναι καλύτερη επιλογή

0:01:17.169,0:01:20.741
για ασθενείς που φτάνουν στο νοσοκομείο[br]σε κακή κατάσταση υγείας,

0:01:20.741,0:01:24.526
με ποσοστό επιβίωσης 52,5%.

0:01:24.526,0:01:28.445
Αν η κατάσταση υγείας του συγγενή σας[br]είναι καλή όταν φτάνει στο νοσοκομείο;

0:01:28.445,0:01:32.271
Περιέργως, το νοσοκομείο Β[br]είναι πάλι καλύτερη επιλογή,

0:01:32.271,0:01:35.506
με ποσοστό επιβίωσης πάνω από 98%.

0:01:35.506,0:01:38.923
Πώς είναι δυνατό να έχουμε[br]ένα μεγαλύτερο ποσοστό επιβίωσης στο Α

0:01:38.923,0:01:44.830
όταν το Β έχει καλύτερα ποσοστά επιβίωσης[br]και στις δύο ομάδες ασθενών;

0:01:44.830,0:01:48.589
Έχουμε πέσει πάνω στην περίπτωση[br]του παράδοξου του Σίμπσονς

0:01:48.589,0:01:51.899
όπου ίδιες ομάδες δεδομένων[br]μπορούν να δείξουν διαφορετικές τάσεις,

0:01:51.899,0:01:54.164
ανάλογα με την ομαδοποίηση.

0:01:54.504,0:01:58.534
Αυτό συμβαίνει όταν ομαδοποιημένα δεδομένα[br]κρύβουν έναν μεταβλητό παράγοντα,

0:01:58.534,0:02:01.107
γνωστή και ως «κρυφή μεταβλητή»,

0:02:01.107,0:02:06.374
που είναι ένας επιπρόσθετος παράγοντας[br]που επηρεάζει σημαντικά τα αποτελέσματα.

0:02:06.374,0:02:10.023
Εδώ, ο κρυφός παράγοντας[br]είναι η σχετική αναλογία των ασθενών

0:02:10.023,0:02:13.074
που φτάνουν σε καλή και κακή κατάσταση.

0:02:13.074,0:02:16.304
Το παράδοξο του Σίμπσον[br]δεν είναι ένα υποθετικό σενάριο.

0:02:16.304,0:02:18.924
Εμφανίζεται σποραδικά[br]στον πραγματικό κόσμο,

0:02:18.924,0:02:22.002
μερικές φορές σε σημαντικές περιστάσεις.

0:02:22.002,0:02:23.530
Μια έρευνα στο Ηνωμένο Βασίλειο

0:02:23.530,0:02:26.800
έδειξε πως οι καπνιστές έχουν[br]μεγαλύτερο ποσοστό επιβίωσης

0:02:26.800,0:02:29.846
από τους μη καπνιστές,[br]σε περίοδο είκοσι ετών.

0:02:29.846,0:02:33.307
Όταν έγινε ο διαχωρισμός[br]των συμμετέχοντων ανά ηλικιακή ομάδα

0:02:33.307,0:02:37.633
η έρευνα έδειξε πως οι μη καπνιστές[br]ήταν σαφώς μεγαλύτερης ηλικίας,

0:02:37.633,0:02:40.780
οπότε, πολύ πιθανότερο να πεθάνουν[br]κατά την ελεγχόμενη περίοδο,

0:02:40.780,0:02:44.438
ακριβώς επειδή είχαν ζήσει[br]ήδη περισσότερο.

0:02:44.438,0:02:47.156
Εδώ, οι ηλικιακές ομάδες[br]είναι ο κρυφός παράγοντας

0:02:47.156,0:02:50.176
και είναι ζωτικής σημασίας[br]να ληφθούν υπόψη στην ανάλυση.

0:02:50.176,0:02:51.559
Σε ένα άλλο παράδειγμα,

0:02:51.559,0:02:54.281
μιας ανάλυσης περιπτώσεων[br]θανατικών ποινών στη Φλόριντα,

0:02:54.281,0:02:58.265
φαινόταν να μην υπάρχει φυλετική διάκριση[br]

0:02:58.265,0:03:01.581
μεταξύ μαύρων και λευκών[br]καταδικασμένων σε θάνατο.

0:03:01.581,0:03:06.396
Όμως, χωρίζοντας τις περιπτώσεις ανά φυλή[br]κάθε θύματος προέκυψε άλλη ερμηνεία.

0:03:06.396,0:03:07.929
Σε κάθε περίπτωση,

0:03:07.929,0:03:11.091
ήταν πολύ πιθανότερη η καταδίκη[br]των μαύρων κατηγορούμενων.

0:03:11.091,0:03:15.066
Το ελαφρώς μεγαλύτερο ποσοστό[br]καταδίκης για τους λευκούς εναγόμενους

0:03:15.066,0:03:18.692
οφειλόταν στο ότι οι υποθέσεις[br]με θύματα λευκούς

0:03:18.692,0:03:21.359
ήταν πιο πιθανό να προβλέπουν[br]θανατική ποινή

0:03:21.359,0:03:24.091
σε σχέση με τις υποθέσεις[br]με θύματα μαύρους,

0:03:24.091,0:03:28.483
και οι περισσότεροι φόνοι συνέβησαν[br]μεταξύ ανθρώπων της ίδιας φυλής.

0:03:28.483,0:03:31.319
Πώς μπορούμε να αποφύγουμε[br]να πέσουμε σε παράδοξο;

0:03:31.319,0:03:34.686
Δυστυχώς, δεν υπάρχει μία απάντηση[br]για όλες τις περιπτώσεις.

0:03:34.686,0:03:38.504
Τα δεδομένα μπορούν να ομαδοποιηθούν[br]και να καταμεριστούν με διάφορους τρόπους

0:03:38.504,0:03:42.106
και τα σύνολα μερικές φορές[br]δίνουν μια πιο σαφή εικόνα

0:03:42.106,0:03:46.638
από δεδομένα διαιρεμένα σε παραπλανητικές[br]ή αυθαίρετες κατηγορίες.

0:03:46.638,0:03:50.269
Αυτό που μπορούμε είναι να μελετήσουμε[br]προσεκτικά τις πραγματικές καταστάσεις

0:03:50.269,0:03:52.089
που περιγράφονται με χρήση στατιστικής

0:03:52.089,0:03:55.767
και να αναλογιστούμε τυχόν ύπαρξη[br]κρυφών μεταβλητών.

0:03:55.767,0:03:59.370
Διαφορετικά, γινόμαστε ευάλωτοι[br]σε αυτούς που χρησιμοποιούν τα δεδομένα

0:03:59.370,0:04:04.030
για να χειραγωγήσουν τους άλλους[br]και να προωθήσουν τα δικά τους σχέδια.