0:00:06.486,0:00:09.077
As estatísticas são convincentes,

0:00:09.077,0:00:12.541
a ponto de pessoas, organizações[br]e países inteiros

0:00:12.541,0:00:17.487
basearem algumas de suas decisões[br]mais importantes em dados organizados.

0:00:17.487,0:00:19.484
Mas há um problema aí.

0:00:19.484,0:00:23.301
Qualquer grupo de dados estatísticos[br]pode estar escondendo algo

0:00:23.301,0:00:27.251
que pode acabar virando os resultados[br]de cabeça para baixo.

0:00:27.251,0:00:30.920
Por exemplo, imagine que você precise[br]escolher entre dois hospitais

0:00:30.920,0:00:33.737
para a cirurgia de uma parente idosa.

0:00:33.737,0:00:36.434
Tomando os últimos mil pacientes[br]de cada hospital,

0:00:36.434,0:00:39.612
no Hospital A, 900 sobreviveram,

0:00:39.612,0:00:43.021
enquanto, no Hospital B,[br]apenas 800 sobreviveram.

0:00:43.021,0:00:45.930
Portanto, aparentemente,[br]o Hospital A é a melhor escolha.

0:00:45.930,0:00:47.843
No entanto, antes de tomar a decisão,

0:00:47.843,0:00:51.411
lembre-se de que nem todos os pacientes[br]chegam a um hospital

0:00:51.411,0:00:53.811
nas mesmas condições de saúde.

0:00:53.811,0:00:56.813
Se dividirmos os mil pacientes[br]mais recentes de cada hospital

0:00:56.813,0:01:01.132
entre os que chegaram com boa saúde[br]e os que chegaram com a saúde precária,

0:01:01.132,0:01:03.772
um cenário bem diferente[br]começa a se descortinar.

0:01:03.772,0:01:07.849
No Hospital A, apenas 100 pacientes[br]chegaram com a saúde debilitada.

0:01:07.849,0:01:10.325
Destes, 30 sobreviveram.

0:01:10.325,0:01:14.852
Mas, no Hospital B, havia 400,[br]e eles foram capazes de salvar 210.

0:01:14.852,0:01:17.169
Assim, o Hospital B é a melhor escolha

0:01:17.169,0:01:20.741
para pacientes que chegam[br]com a saúde precária,

0:01:20.741,0:01:24.526
com uma taxa de sobrevivência de 52,5%.

0:01:24.526,0:01:28.445
Mas e se sua parente estiver com boa saúde[br]ao dar entrada no hospital?

0:01:28.445,0:01:32.271
Curiosamente, o Hospital B[br]ainda é a melhor escolha,

0:01:32.271,0:01:35.676
com uma taxa de sobrevivência[br]de cerca de 98%.

0:01:35.676,0:01:38.733
Como é possível o Hospital A ter[br]uma taxa de sobrevivência maior

0:01:38.733,0:01:44.830
se a taxa de sobrevivência do Hospital B é[br]maior para pacientes de ambos os grupos?

0:01:44.830,0:01:48.589
Esbarramos aqui num caso[br]do paradoxo de Simpson,

0:01:48.589,0:01:51.979
em que o mesmo conjunto de dados[br]parece mostrar tendências opostas,

0:01:51.979,0:01:54.664
dependendo de como agrupamos os dados.

0:01:54.664,0:01:58.744
Isso sempre ocorre quando dados agregados[br]escondem variáveis condicionais,

0:01:58.744,0:02:01.377
também chamadas de variáveis escondidas,

0:02:01.377,0:02:06.464
um fator adicional oculto que influencia[br]significativamente os resultados.

0:02:06.464,0:02:10.023
Neste caso, o fator oculto[br]é a proporção relativa de pacientes

0:02:10.023,0:02:13.264
que chegam com saúde boa ou ruim.

0:02:13.264,0:02:16.544
O paradoxo de Simpson não é[br]apenas um cenário hipotético.

0:02:16.544,0:02:18.924
Ele surge de tempos [br]em tempos na vida real,

0:02:18.924,0:02:22.132
algumas vezes em contextos importantes.

0:02:22.132,0:02:24.130
Um estudo inglês pareceu mostrar,

0:02:24.130,0:02:27.600
num período de 20 anos, que os fumantes[br]tinham uma taxa de sobrevivência

0:02:27.600,0:02:29.846
maior do que os não fumantes.

0:02:29.846,0:02:33.307
Isto é, até a divisão dos participantes[br]por grupos etários

0:02:33.307,0:02:37.903
mostrar que os não fumantes eram,[br]na média, significativamente mais velhos

0:02:37.903,0:02:40.930
e, assim, com maior chance de morrer[br]durante o período do teste,

0:02:40.930,0:02:44.438
justamente porque, em geral,[br]eles eram mais longevos.

0:02:44.438,0:02:47.286
Aqui, os grupos etários[br]são as variáveis ocultas,

0:02:47.286,0:02:50.176
e foram vitais para a interpretação[br]correta dos dados.

0:02:50.176,0:02:51.559
Em outro exemplo,

0:02:51.559,0:02:54.431
uma análise das mortes [br]por pena de morte na Flórida

0:02:54.431,0:02:58.265
parecia revelar não haver[br]disparidade racial nas sentenças

0:02:58.265,0:03:01.581
de réus negros e brancos[br]condenados por assassinato.

0:03:01.581,0:03:06.396
Mas, ao se dividir os casos pela raça[br]da vítima, revelou-se uma outra história.

0:03:06.396,0:03:07.969
Em ambas as situações,

0:03:07.969,0:03:11.091
havia maior probabilidade de réus[br]negros serem condenados à morte.

0:03:11.091,0:03:15.136
A condenação um pouco maior,[br]no geral, de réus brancos

0:03:15.136,0:03:18.692
deveu-se ao fato de que os casos[br]com vítimas brancas

0:03:18.692,0:03:21.359
tinham mais chance de receber[br]uma sentença de morte

0:03:21.359,0:03:24.041
do que os casos em que a vítima era negra,

0:03:24.041,0:03:28.483
e a maioria dos assassinatos ocorreram[br]entre pessoas da mesma raça.

0:03:28.483,0:03:31.319
Assim, como evitar cair no paradoxo?

0:03:31.319,0:03:34.686
Infelizmente, não há uma resposta[br]que resolva todos os casos.

0:03:34.686,0:03:38.504
Os dados podem ser agrupados[br]e divididos de inúmeras formas,

0:03:38.504,0:03:42.106
e os números totais às vezes podem[br]fornecer um quadro mais preciso

0:03:42.106,0:03:46.638
do que dados divididos em categorias[br]enganosas ou arbitrárias.

0:03:46.638,0:03:52.089
O ideal é estudar com cuidado[br]a situação real descrita pela estatística

0:03:52.089,0:03:55.967
e checar se as variáveis[br]enganosas estão presentes.

0:03:55.967,0:03:59.378
Do contrário, estaremos vulneráveis[br]aos que possam usar os dados

0:03:59.378,0:04:02.649
para manipular as pessoas[br]e promover as suas próprias agendas.