1
00:00:06,636 --> 00:00:09,077
Les statistiques sont convaincantes.

2
00:00:09,077 --> 00:00:12,541
Si bien que des personnes,
organisations et pays,

3
00:00:12,541 --> 00:00:17,747
prennent d'importantes décisions
en se fondant sur ces données.

4
00:00:17,747 --> 00:00:19,484
Mais il y a un problème.

5
00:00:19,484 --> 00:00:23,301
Toute statistique peut cacher
quelque chose,

6
00:00:23,301 --> 00:00:27,251
qui peut complètement
transformer les résultats.

7
00:00:27,251 --> 00:00:30,920
Par exemple, imaginez que vous deviez
choisir entre deux hôpitaux

8
00:00:30,920 --> 00:00:33,737
pour une opération
sur une personne âgée.

9
00:00:33,737 --> 00:00:36,434
Sur les 1000 derniers patients,
de chaque hôpital,

10
00:00:36,434 --> 00:00:39,612
900 ont survécu dans l'hôpital A,

11
00:00:39,612 --> 00:00:43,021
contre seulement 800 dans l'hôpital B.

12
00:00:43,021 --> 00:00:46,170
Il semble donc que l'hôpital A
est le meilleur choix.

13
00:00:46,170 --> 00:00:47,843
Mais avant de décider,

14
00:00:47,843 --> 00:00:51,411
rappelez-vous que tous les patients
n'arrivent pas à l'hôpital

15
00:00:51,411 --> 00:00:53,811
dans le même état de santé.

16
00:00:53,811 --> 00:00:56,703
Et si l'on sépare
les 1000 derniers patients

17
00:00:56,703 --> 00:01:01,132
entre ceux arrivés en bonne santé
et ceux arrivés en mauvaise santé,

18
00:01:01,132 --> 00:01:03,772
la situation diffère significativement.

19
00:01:03,772 --> 00:01:07,849
L'hôpital A ne comptait que 100 patients
arrivés en mauvaise santé,

20
00:01:07,849 --> 00:01:10,325
dont 30 ont survécu.

21
00:01:10,325 --> 00:01:14,852
Mais l'hôpital B en comptait 400,
et 210 purent être sauvés.

22
00:01:14,852 --> 00:01:17,169
Donc l'hôpital B est le meilleur choix

23
00:01:17,169 --> 00:01:20,741
pour les patients qui arrivent à l'hôpital
en mauvaise santé,

24
00:01:20,741 --> 00:01:24,526
avec un taux de survie de 52,5 %.

25
00:01:24,526 --> 00:01:28,445
Et si la santé de votre parente est bonne
quand elle arrive à l'hôpital ?

26
00:01:28,445 --> 00:01:32,271
Curieusement, l'hôpital B
est toujours meilleur,

27
00:01:32,271 --> 00:01:35,676
avec un taux de survie de 98%.

28
00:01:35,676 --> 00:01:38,873
Comment l'hôpital A peut-il avoir
un meilleur taux de survie global

29
00:01:38,873 --> 00:01:41,690
si l'hôpital B
a de meilleurs taux de survie

30
00:01:41,700 --> 00:01:44,830
pour les patients en bonne
et mauvaise santé ?

31
00:01:44,830 --> 00:01:48,589
C'est le paradoxe de Simpson !

32
00:01:48,589 --> 00:01:51,899
Un même ensemble de données peut
montrer des tendances opposées,

33
00:01:51,899 --> 00:01:54,664
selon la façon dont elles sont regroupées.

34
00:01:54,664 --> 00:01:58,744
Lorsque des données agrégées
masquent une variable conditionnelle,

35
00:01:58,744 --> 00:02:01,377
parfois appelée variable cachée,

36
00:02:01,377 --> 00:02:06,584
ce facteur caché influence
significativement les résultats.

37
00:02:06,584 --> 00:02:10,023
Ici, le facteur caché est
la proportion relative des patients

38
00:02:10,023 --> 00:02:13,264
qui arrivent en bonne ou mauvaise santé.

39
00:02:13,264 --> 00:02:16,544
Le paradoxe de Simpson n'est pas
qu'un scénario hypothétique.

40
00:02:16,544 --> 00:02:18,924
Il apparaît dans le monde réel,

41
00:02:18,924 --> 00:02:22,132
parfois dans des contextes importants.


42
00:02:22,132 --> 00:02:24,130
Une étude au Royaume-Uni semblait montrer

43
00:02:24,130 --> 00:02:27,600
que les fumeurs avaient un taux de survie
plus élevé que les non-fumeurs

44
00:02:27,600 --> 00:02:29,846
sur une période de vingt ans.

45
00:02:29,846 --> 00:02:33,307
Mais répartir les participants
par groupe d'âge

46
00:02:33,307 --> 00:02:37,823
a montré que les non-fumeurs
étaient en moyenne plus âgés,

47
00:02:37,823 --> 00:02:40,930
et donc, plus susceptibles de décéder
durant l'étude,

48
00:02:40,930 --> 00:02:44,438
justement parce qu'ils vivaient
plus longtemps en général.

49
00:02:44,438 --> 00:02:47,286
Ici, les groupes d'âge
sont la variable cachée,

50
00:02:47,286 --> 00:02:50,176
et sont essentiels
pour interpréter les données.

51
00:02:50,176 --> 00:02:51,559
Dans un autre exemple,


52
00:02:51,559 --> 00:02:54,281
une étude sur la peine de mort en Floride

53
00:02:54,281 --> 00:02:58,265
semblait ne révéler
aucune disparité raciale,

54
00:02:58,265 --> 00:03:01,581
entre accusés noirs et blancs,
reconnus coupables d'assassinat.

55
00:03:01,581 --> 00:03:06,396
Mais, en répartissant selon la couleur
des victimes, l'histoire était tout autre.

56
00:03:06,396 --> 00:03:07,969
Dans les deux cas,


57
00:03:07,969 --> 00:03:11,091
les accusés noirs étaient
plus susceptibles d'être condamnés.

58
00:03:11,091 --> 00:03:15,066
Le taux de condamnation légèrement
supérieur pour les accusés blancs

59
00:03:15,066 --> 00:03:18,692
était dû au fait que les cas
avec des victimes blanches

60
00:03:18,692 --> 00:03:21,359
étaient plus susceptibles
d'entraîner la peine de mort

61
00:03:21,359 --> 00:03:24,091
que les cas où la victime était noire.

62
00:03:24,091 --> 00:03:28,483
Et la plupart des meurtres avaient eu lieu
entre des gens de même couleur.

63
00:03:28,483 --> 00:03:31,319
Alors, comment éviter
de tomber dans ce paradoxe ?

64
00:03:31,319 --> 00:03:34,686
Malheureusement,
il n'y a pas de réponse unique.

65
00:03:34,686 --> 00:03:38,504
Les données peuvent être regroupées
et divisées de plein de façons,

66
00:03:38,504 --> 00:03:42,106
et les chiffres globaux peuvent parfois
donner une image plus précise

67
00:03:42,106 --> 00:03:46,638
que des données divisées en catégories
trompeuses ou arbitraires.

68
00:03:46,638 --> 00:03:48,459
Il faut étudier attentivement

69
00:03:48,459 --> 00:03:52,089
les situations décrites
par les statistiques

70
00:03:52,089 --> 00:03:55,977
et se demander s'il peut y avoir
des variables cachées.

71
00:03:55,977 --> 00:03:59,378
Faute de quoi, nous serions vulnérables
aux tentatives de manipulation

72
00:03:59,378 --> 00:04:03,378
de personnes désirant utiliser ces données
à des fins personnelles.