[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:06.64,0:00:08.95,Default,,0000,0000,0000,,Η στατιστική είναι πειστική.
Dialogue: 0,0:00:08.95,0:00:12.54,Default,,0000,0000,0000,,Τόσο πολύ που άνθρωποι,\Nοργανώσεις και ολόκληρες χώρες
Dialogue: 0,0:00:12.54,0:00:17.52,Default,,0000,0000,0000,,βασίζουν ορισμένες από τις πιο κρίσιμες\Nαποφάσεις τους σε οργανωμένα δεδομένα.
Dialogue: 0,0:00:17.52,0:00:19.48,Default,,0000,0000,0000,,Ωστόσο, υπάρχει ένα πρόβλημα με αυτό.
Dialogue: 0,0:00:19.48,0:00:22.94,Default,,0000,0000,0000,,Κάθε στατιστικό δείγμα \Nενδέχεται να ελλοχεύει
Dialogue: 0,0:00:22.94,0:00:27.06,Default,,0000,0000,0000,,κάτι που ανατρέπει\Nεξ ολοκλήρου τα αποτελέσματα.
Dialogue: 0,0:00:27.06,0:00:30.92,Default,,0000,0000,0000,,Για παράδειγμα, φαντάσου ότι χρειάζεται\Nνα αποφασίσεις μεταξύ δύο νοσοκομείων
Dialogue: 0,0:00:30.92,0:00:33.74,Default,,0000,0000,0000,,για τη χειρουργική επέμβαση\Nενός ηλικιωμένου συγγενή.
Dialogue: 0,0:00:33.74,0:00:36.43,Default,,0000,0000,0000,,Από τους τελευταίους 1.000 ασθενείς\Nκάθε νοσοκομείου,
Dialogue: 0,0:00:36.43,0:00:39.61,Default,,0000,0000,0000,,στο πρώτο νοσοκομείο επέζησαν 900
Dialogue: 0,0:00:39.61,0:00:42.76,Default,,0000,0000,0000,,και μόνο 800 στο δεύτερο.
Dialogue: 0,0:00:42.76,0:00:45.73,Default,,0000,0000,0000,,Επομένως, το πρώτο νοσοκομείο\Nφαντάζει καλύτερη επιλογή.
Dialogue: 0,0:00:45.73,0:00:47.67,Default,,0000,0000,0000,,Όμως πριν αποφασίσεις,
Dialogue: 0,0:00:47.67,0:00:51.41,Default,,0000,0000,0000,,θυμίσου ότι δεν έφτασαν\Nόλοι οι πάσχοντες στο νοσοκομείο
Dialogue: 0,0:00:51.41,0:00:53.64,Default,,0000,0000,0000,,στην ίδια κατάσταση.
Dialogue: 0,0:00:53.81,0:00:57.07,Default,,0000,0000,0000,,Αν σε κάθε νοσοκομείο διαιρέσουμε\Nτους 1.000 τελευταίους ασθενείς
Dialogue: 0,0:00:57.07,0:01:01.13,Default,,0000,0000,0000,,σε αυτούς που φτάνουν σε καλή και \Nσε αυτούς που φτάνουν σε άσχημη κατάσταση,
Dialogue: 0,0:01:01.13,0:01:03.77,Default,,0000,0000,0000,,η εικόνα αρχίζει να αλλάζει σημαντικά.
Dialogue: 0,0:01:03.77,0:01:07.85,Default,,0000,0000,0000,,Το νοσοκομείο Α είχε μόλις 100 ασθενείς\Nπου έφτασαν σε άσχημη κατάσταση υγείας,
Dialogue: 0,0:01:07.85,0:01:10.32,Default,,0000,0000,0000,,30 από τους οποίους επέζησαν.
Dialogue: 0,0:01:10.32,0:01:14.85,Default,,0000,0000,0000,,Όμως, το νοσοκομείο Β είχε 400\Nκαι μπόρεσε να σώσει τους 210.
Dialogue: 0,0:01:14.85,0:01:17.17,Default,,0000,0000,0000,,Οπότε το δεύτερο είναι καλύτερη επιλογή
Dialogue: 0,0:01:17.17,0:01:20.74,Default,,0000,0000,0000,,για ασθενείς που φτάνουν στο νοσοκομείο\Nσε κακή κατάσταση υγείας,
Dialogue: 0,0:01:20.74,0:01:24.53,Default,,0000,0000,0000,,με ποσοστό επιβίωσης 52,5%.
Dialogue: 0,0:01:24.53,0:01:28.44,Default,,0000,0000,0000,,Αν η κατάσταση υγείας του συγγενή σας\Nείναι καλή όταν φτάνει στο νοσοκομείο;
Dialogue: 0,0:01:28.44,0:01:32.27,Default,,0000,0000,0000,,Περιέργως, το νοσοκομείο Β\Nείναι πάλι καλύτερη επιλογή,
Dialogue: 0,0:01:32.27,0:01:35.51,Default,,0000,0000,0000,,με ποσοστό επιβίωσης πάνω από 98%.
Dialogue: 0,0:01:35.51,0:01:38.92,Default,,0000,0000,0000,,Πώς είναι δυνατό να έχουμε\Nένα μεγαλύτερο ποσοστό επιβίωσης στο Α
Dialogue: 0,0:01:38.92,0:01:44.83,Default,,0000,0000,0000,,όταν το Β έχει καλύτερα ποσοστά επιβίωσης\Nκαι στις δύο ομάδες ασθενών;
Dialogue: 0,0:01:44.83,0:01:48.59,Default,,0000,0000,0000,,Έχουμε πέσει πάνω στην περίπτωση\Nτου παράδοξου του Σίμπσονς
Dialogue: 0,0:01:48.59,0:01:51.90,Default,,0000,0000,0000,,όπου ίδιες ομάδες δεδομένων\Nμπορούν να δείξουν διαφορετικές τάσεις,
Dialogue: 0,0:01:51.90,0:01:54.16,Default,,0000,0000,0000,,ανάλογα με την ομαδοποίηση.
Dialogue: 0,0:01:54.50,0:01:58.53,Default,,0000,0000,0000,,Αυτό συμβαίνει όταν ομαδοποιημένα δεδομένα\Nκρύβουν έναν μεταβλητό παράγοντα,
Dialogue: 0,0:01:58.53,0:02:01.11,Default,,0000,0000,0000,,γνωστή και ως «κρυφή μεταβλητή»,
Dialogue: 0,0:02:01.11,0:02:06.37,Default,,0000,0000,0000,,που είναι ένας επιπρόσθετος παράγοντας\Nπου επηρεάζει σημαντικά τα αποτελέσματα.
Dialogue: 0,0:02:06.37,0:02:10.02,Default,,0000,0000,0000,,Εδώ, ο κρυφός παράγοντας\Nείναι η σχετική αναλογία των ασθενών
Dialogue: 0,0:02:10.02,0:02:13.07,Default,,0000,0000,0000,,που φτάνουν σε καλή και κακή κατάσταση.
Dialogue: 0,0:02:13.07,0:02:16.30,Default,,0000,0000,0000,,Το παράδοξο του Σίμπσον\Nδεν είναι ένα υποθετικό σενάριο.
Dialogue: 0,0:02:16.30,0:02:18.92,Default,,0000,0000,0000,,Εμφανίζεται σποραδικά\Nστον πραγματικό κόσμο,
Dialogue: 0,0:02:18.92,0:02:22.00,Default,,0000,0000,0000,,μερικές φορές σε σημαντικές περιστάσεις.
Dialogue: 0,0:02:22.00,0:02:23.53,Default,,0000,0000,0000,,Μια έρευνα στο Ηνωμένο Βασίλειο
Dialogue: 0,0:02:23.53,0:02:26.80,Default,,0000,0000,0000,,έδειξε πως οι καπνιστές έχουν\Nμεγαλύτερο ποσοστό επιβίωσης
Dialogue: 0,0:02:26.80,0:02:29.85,Default,,0000,0000,0000,,από τους μη καπνιστές,\Nσε περίοδο είκοσι ετών.
Dialogue: 0,0:02:29.85,0:02:33.31,Default,,0000,0000,0000,,Όταν έγινε ο διαχωρισμός\Nτων συμμετέχοντων ανά ηλικιακή ομάδα
Dialogue: 0,0:02:33.31,0:02:37.63,Default,,0000,0000,0000,,η έρευνα έδειξε πως οι μη καπνιστές\Nήταν σαφώς μεγαλύτερης ηλικίας,
Dialogue: 0,0:02:37.63,0:02:40.78,Default,,0000,0000,0000,,οπότε, πολύ πιθανότερο να πεθάνουν\Nκατά την ελεγχόμενη περίοδο,
Dialogue: 0,0:02:40.78,0:02:44.44,Default,,0000,0000,0000,,ακριβώς επειδή είχαν ζήσει\Nήδη περισσότερο.
Dialogue: 0,0:02:44.44,0:02:47.16,Default,,0000,0000,0000,,Εδώ, οι ηλικιακές ομάδες\Nείναι ο κρυφός παράγοντας
Dialogue: 0,0:02:47.16,0:02:50.18,Default,,0000,0000,0000,,και είναι ζωτικής σημασίας\Nνα ληφθούν υπόψη στην ανάλυση.
Dialogue: 0,0:02:50.18,0:02:51.56,Default,,0000,0000,0000,,Σε ένα άλλο παράδειγμα,
Dialogue: 0,0:02:51.56,0:02:54.28,Default,,0000,0000,0000,,μιας ανάλυσης περιπτώσεων\Nθανατικών ποινών στη Φλόριντα,
Dialogue: 0,0:02:54.28,0:02:58.26,Default,,0000,0000,0000,,φαινόταν να μην υπάρχει φυλετική διάκριση\N
Dialogue: 0,0:02:58.26,0:03:01.58,Default,,0000,0000,0000,,μεταξύ μαύρων και λευκών\Nκαταδικασμένων σε θάνατο.
Dialogue: 0,0:03:01.58,0:03:06.40,Default,,0000,0000,0000,,Όμως, χωρίζοντας τις περιπτώσεις ανά φυλή\Nκάθε θύματος προέκυψε άλλη ερμηνεία.
Dialogue: 0,0:03:06.40,0:03:07.93,Default,,0000,0000,0000,,Σε κάθε περίπτωση,
Dialogue: 0,0:03:07.93,0:03:11.09,Default,,0000,0000,0000,,ήταν πολύ πιθανότερη η καταδίκη\Nτων μαύρων κατηγορούμενων.
Dialogue: 0,0:03:11.09,0:03:15.07,Default,,0000,0000,0000,,Το ελαφρώς μεγαλύτερο ποσοστό\Nκαταδίκης για τους λευκούς εναγόμενους
Dialogue: 0,0:03:15.07,0:03:18.69,Default,,0000,0000,0000,,οφειλόταν στο ότι οι υποθέσεις\Nμε θύματα λευκούς
Dialogue: 0,0:03:18.69,0:03:21.36,Default,,0000,0000,0000,,ήταν πιο πιθανό να προβλέπουν\Nθανατική ποινή
Dialogue: 0,0:03:21.36,0:03:24.09,Default,,0000,0000,0000,,σε σχέση με τις υποθέσεις\Nμε θύματα μαύρους,
Dialogue: 0,0:03:24.09,0:03:28.48,Default,,0000,0000,0000,,και οι περισσότεροι φόνοι συνέβησαν\Nμεταξύ ανθρώπων της ίδιας φυλής.
Dialogue: 0,0:03:28.48,0:03:31.32,Default,,0000,0000,0000,,Πώς μπορούμε να αποφύγουμε\Nνα πέσουμε σε παράδοξο;
Dialogue: 0,0:03:31.32,0:03:34.69,Default,,0000,0000,0000,,Δυστυχώς, δεν υπάρχει μία απάντηση\Nγια όλες τις περιπτώσεις.
Dialogue: 0,0:03:34.69,0:03:38.50,Default,,0000,0000,0000,,Τα δεδομένα μπορούν να ομαδοποιηθούν\Nκαι να καταμεριστούν με διάφορους τρόπους
Dialogue: 0,0:03:38.50,0:03:42.11,Default,,0000,0000,0000,,και τα σύνολα μερικές φορές\Nδίνουν μια πιο σαφή εικόνα
Dialogue: 0,0:03:42.11,0:03:46.64,Default,,0000,0000,0000,,από δεδομένα διαιρεμένα σε παραπλανητικές\Nή αυθαίρετες κατηγορίες.
Dialogue: 0,0:03:46.64,0:03:50.27,Default,,0000,0000,0000,,Αυτό που μπορούμε είναι να μελετήσουμε\Nπροσεκτικά τις πραγματικές καταστάσεις
Dialogue: 0,0:03:50.27,0:03:52.09,Default,,0000,0000,0000,,που περιγράφονται με χρήση στατιστικής
Dialogue: 0,0:03:52.09,0:03:55.77,Default,,0000,0000,0000,,και να αναλογιστούμε τυχόν ύπαρξη\Nκρυφών μεταβλητών.
Dialogue: 0,0:03:55.77,0:03:59.37,Default,,0000,0000,0000,,Διαφορετικά, γινόμαστε ευάλωτοι\Nσε αυτούς που χρησιμοποιούν τα δεδομένα
Dialogue: 0,0:03:59.37,0:04:04.03,Default,,0000,0000,0000,,για να χειραγωγήσουν τους άλλους\Nκαι να προωθήσουν τα δικά τους σχέδια.