0:00:06.636,0:00:09.077
Las estadísticas son convincentes.

0:00:09.077,0:00:12.541
Tanto es así que personas, [br]organizaciones y países enteros

0:00:12.541,0:00:17.747
basan algunas de sus decisiones [br]más importantes en datos estadísticos.

0:00:17.747,0:00:19.484
Pero hay un problema en ellos.

0:00:19.484,0:00:23.301
Cualquier conjunto de datos estadísticos [br]podría contener algo

0:00:23.301,0:00:27.251
que puede poner los resultados al revés [br]y completamente patas arriba.

0:00:27.251,0:00:30.920
Por ejemplo, imagina que [br]tienes que elegir entre dos hospitales

0:00:30.920,0:00:33.737
para la operación de cirugía [br]de un pariente anciano.

0:00:33.737,0:00:36.434
De cada 1000 pacientes hospitalizados

0:00:36.434,0:00:39.612
900 sobrevivieron en el hospital A,

0:00:39.612,0:00:43.021
mientras que solo 800 lo hicieron [br]en el Hospital B.

0:00:43.021,0:00:46.170
Así que parece que el hospital A [br]es la mejor opción.

0:00:46.170,0:00:47.843
Pero antes de tomar la decisión,

0:00:47.843,0:00:51.411
recuerda que no todos [br]los pacientes llegan al hospital

0:00:51.411,0:00:53.811
con el mismo nivel de salud.

0:00:53.811,0:00:56.703
Y si dividimos los últimos 1000 pacientes [br]de cada hospital

0:00:56.703,0:01:01.132
en los que llegaron en buen estado de [br]salud y los que llegaron en mal estado,

0:01:01.132,0:01:03.772
esto empieza a verse muy diferente.

0:01:03.772,0:01:07.849
El hospital A solo tenía 100 pacientes [br]que llegaron en mal estado de salud,

0:01:07.849,0:01:10.325
de los cuales 30 sobrevivieron.

0:01:10.325,0:01:14.852
Pero el hospital B tenía 400, [br]y pudieron salvar a 210.

0:01:14.852,0:01:17.169
Así que el Hospital B es la mejor opción

0:01:17.169,0:01:20.741
para los pacientes que acuden [br]al hospital con problemas de salud,

0:01:20.741,0:01:24.526
con una tasa de supervivencia del 52,5 %.

0:01:24.526,0:01:28.445
¿Y si la salud de tu familiar es buena [br]cuando llega al hospital?

0:01:28.445,0:01:32.271
Curiosamente, el hospital B [br]sigue siendo la mejor opción,

0:01:32.271,0:01:35.386
con una tasa de supervivencia [br]de más del 98 %.

0:01:35.386,0:01:38.733
¿Cómo puede el hospital A tener [br]una mejor tasa de supervivencia

0:01:38.733,0:01:44.830
si el hospital B tiene mejores tasas de [br]supervivencia de pacientes en cada grupo?

0:01:44.830,0:01:48.589
Con lo que nos topamos aquí, es con [br]un caso de la paradoja de Simpson,

0:01:48.589,0:01:51.899
donde el mismo conjunto de datos [br]puede mostrar tendencias opuestas

0:01:51.899,0:01:54.664
dependiendo de cómo se agrupan.

0:01:54.664,0:01:58.744
Pasa a menudo cuando en datos agregados [br]se oculta una variable condicional,

0:01:58.744,0:02:01.377
conocida a veces como variable oculta,

0:02:01.377,0:02:06.584
que es un factor adicional oculto que [br]influye mucho en los resultados.

0:02:06.584,0:02:10.023
Aquí, el factor oculto es la proporción [br]relativa de pacientes

0:02:10.023,0:02:13.264
que llegan en buen o mal estado de salud.

0:02:13.264,0:02:16.544
La paradoja de Simpson [br]no es solo un escenario hipotético.

0:02:16.544,0:02:18.924
Aparece de vez en cuando [br]en el mundo real,

0:02:18.924,0:02:21.902
a veces en contextos importantes.

0:02:21.902,0:02:24.130
Un estudio en el Reino Unido [br]parecía demostrar

0:02:24.130,0:02:27.830
que los fumadores tenían una mayor tasa [br]de supervivencia que los no fumadores

0:02:27.830,0:02:29.846
durante un período de 20 años.

0:02:29.846,0:02:33.307
Es decir, hasta que dividieron [br]a los participantes por grupo de edad,

0:02:33.307,0:02:37.723
entonces demostraron que los no fumadores [br]eran mucho mayores en promedio,

0:02:37.723,0:02:41.210
y, por tanto, con mayor probabilidad [br]de morir durante el período de test,

0:02:41.210,0:02:44.438
precisamente porque vivían [br]más tiempo en general.

0:02:44.438,0:02:47.286
En este caso, los grupos de edad [br]son la variable oculta

0:02:47.286,0:02:50.176
y son vitales para interpretar [br]correctamente los datos.

0:02:50.176,0:02:51.559
En otro ejemplo,

0:02:51.559,0:02:54.281
un análisis de los casos de [br]pena de muerte de Florida

0:02:54.281,0:02:58.265
no parecía revelar ninguna [br]disparidad racial en las sentencias

0:02:58.265,0:03:01.581
entre los acusados blancos [br]y negros condenados por asesinato.

0:03:01.581,0:03:06.086
Pero la división de los casos por raza de [br]la víctima contó una historia diferente.

0:03:06.086,0:03:07.639
En cualquier situación,

0:03:07.639,0:03:11.281
los acusados negros tenían mayor [br]probabilidad de ser condenados a muerte.

0:03:11.281,0:03:15.066
La tasa global de la sentencia algo [br]superior para los acusados blancos

0:03:15.066,0:03:18.582
se debió al hecho de que [br]los casos con víctimas blancas

0:03:18.582,0:03:21.479
tenían mayor probabilidad [br]de obtener una sentencia de muerte

0:03:21.479,0:03:24.091
que en los casos [br]donde la víctima era negra,

0:03:24.091,0:03:28.483
y la mayoría de las muertes ocurrieron [br]entre personas de la misma raza.

0:03:28.483,0:03:31.319
Y ¿cómo evitar caer en la paradoja?

0:03:31.319,0:03:34.686
Desafortunadamente no hay [br]una receta única para todos los casos.

0:03:34.686,0:03:38.504
Los datos pueden agruparse y [br]dividirse en varias formas,

0:03:38.504,0:03:42.106
y los números generales a veces pueden [br]dar una imagen más precisa

0:03:42.106,0:03:46.008
que los datos divididos [br]en categorías erróneas o arbitrarias.

0:03:46.008,0:03:49.389
Lo que podemos hacer es estudiar [br]cuidadosamente las situaciones reales

0:03:49.389,0:03:52.089
que describen las estadísticas

0:03:52.089,0:03:55.977
y considerar si las variables ocultas [br]deberían estar presentes.

0:03:55.977,0:03:59.378
De lo contrario, nos hacemos vulnerables [br]a aquellos que usan los datos

0:03:59.378,0:04:02.649
para manipular a otros y [br]promover sus propias agendas.