0:00:06.636,0:00:09.224
As estatísticas são convincentes.

0:00:09.224,0:00:12.819
A tal ponto que pessoas, organizações[br]e muitos países

0:00:12.819,0:00:17.747
baseiam algumas das suas decisões[br]mais importantes em dados organizados.

0:00:17.747,0:00:19.484
Mas há um problema com isso.

0:00:19.484,0:00:23.501
Qualquer conjunto de estatísticas[br]pode ter qualquer coisa escondida

0:00:23.501,0:00:27.251
qualquer coisa que pode [br]virar do avesso os resultados.

0:00:27.381,0:00:31.198
Por exemplo, imaginem que precisam[br]de escolher entre dois hospitais

0:00:31.198,0:00:33.737
para a cirurgia de um familiar idoso.

0:00:33.867,0:00:36.755
Entre os últimos 1000 doentes[br]de cada hospital,

0:00:36.755,0:00:39.829
no Hospital A sobreviveram 900

0:00:39.829,0:00:43.021
enquanto no Hospital B[br]só sobreviveram 800.

0:00:43.134,0:00:46.170
Parece portanto que o Hospital A[br]é a melhor escolha.

0:00:46.170,0:00:48.138
Mas, antes de tomarem uma decisão,

0:00:48.138,0:00:51.724
lembrem-se que nem todos os doentes[br]chegam ao hospital

0:00:51.724,0:00:53.811
com o mesmo nível de saúde.

0:00:54.190,0:00:57.760
Se dividirmos os últimos 1000 doentes[br]de cada hospital

0:00:57.760,0:01:01.332
entre os que chegaram de boa saúde[br]e os que chegaram em mau estado,

0:01:01.332,0:01:04.930
o quadro começa a ser muito diferente.

0:01:04.145,0:01:07.988
O Hospital A só teve 100 doentes[br]que chegaram em mau estado,

0:01:07.988,0:01:10.325
dos quais sobreviveram 30.

0:01:10.585,0:01:14.852
Mas o Hospital B teve 400,[br]e conseguiram salvar 210.

0:01:15.269,0:01:17.334
Portanto, o Hospital B é a melhor escolha

0:01:17.334,0:01:20.897
para doentes que chegam ao hospital[br]em mau estado,

0:01:20.897,0:01:24.526
com uma taxa de sobrevivência de 52,5%.

0:01:24.647,0:01:28.445
E se a saúde do vosso familiar[br]estiver boa quando ele chegar ao hospital?

0:01:28.662,0:01:32.505
É estranho, mas o Hospital B continua[br]a ser a melhor escolha,

0:01:32.505,0:01:35.493
com uma taxa de sobrevivência[br]de mais de 98%.

0:01:35.676,0:01:39.290
Como é que o Hospital A tem[br]uma melhor taxa de sobrevivência global

0:01:39.290,0:01:42.586
se o Hospital B tem melhores[br]taxas de sobrevivência para os pacientes

0:01:42.586,0:01:44.490
em cada um dos dois grupos?

0:01:44.830,0:01:48.754
Deparamo-nos com um caso[br]do paradoxo de Simpson,

0:01:48.754,0:01:52.620
em que o mesmo conjunto de dados[br]pode parecer mostrar tendências opostas

0:01:52.620,0:01:54.776
consoante a forma[br]como agruparmos os dados.

0:01:54.776,0:01:56.142
Isto ocorre com frequência,

0:01:56.142,0:01:59.650
quando os dados agregados[br]escondem uma variável condicional,

0:01:59.650,0:02:01.655
por vezes conhecida por variável oculta,

0:02:01.655,0:02:03.584
que é um fator oculto adicional

0:02:03.584,0:02:06.584
que influencia significativamente[br]os resultados.

0:02:06.705,0:02:10.214
Aqui, o fator oculto[br]é a proporção relativa dos doentes

0:02:10.214,0:02:13.264
que chegam de boa saúde [br]ou em mau estado.

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

0:02:16.665,0:02:19.210
Aparece de vez em quando no mundo real,

0:02:19.210,0:02:21.844
por vezes em contextos importantes.

0:02:22.132,0:02:24.190
Um estudo no Reino Unido parecia mostrar

0:02:24.190,0:02:26.669
que os fumadores tinham [br]uma taxa de sobrevivência

0:02:26.669,0:02:28.469
mais alta que os não fumadores

0:02:28.469,0:02:30.141
num período de 20 anos.

0:02:30.141,0:02:33.541
Mas, quando se dividiram[br]os participantes em grupos etários,

0:02:33.541,0:02:38.205
verificou-se que os não fumadores[br]eram muito mais velhos do que a média

0:02:38.205,0:02:42.356
e, portanto, com maior probabilidade [br]de morrer durante o período da experiência,

0:02:42.356,0:02:45.460
precisamente porque, [br]em geral, viviam mais tempo.

0:02:45.460,0:02:47.598
Aqui, os grupos etários[br]são a variável oculta,

0:02:47.598,0:02:50.176
e são vitais para interpretar[br]os dados corretamente.

0:02:50.384,0:02:52.050
Noutro exemplo,

0:02:52.050,0:02:54.681
uma análise dos processos[br]de pena de morte na Flórida,

0:02:54.681,0:02:58.682
parecia revelar que não havia[br]disparidade racial nas condenações

0:02:58.682,0:03:01.789
entre réus negros e brancos,[br]condenados por homicídio.

0:03:01.789,0:03:06.526
Mas a divisão dos processos pelas etnias[br]das vítimas contou uma história diferente,

0:03:06.526,0:03:08.438
Em qualquer das situações,

0:03:08.438,0:03:11.543
os réus negros tinham mais hipóteses[br]de serem condenados à morte.

0:03:11.543,0:03:15.474
A taxa de condenação global levemente[br]mais alta para os réus brancos

0:03:15.474,0:03:19.170
devia-se ao facto de que os casos[br]com vítimas brancas

0:03:19.170,0:03:21.767
tinham mais hipóteses[br]de levar à pena de morte

0:03:21.767,0:03:24.317
do que os casos em que a vítima era negra,

0:03:24.317,0:03:28.483
e a maior parte dos crimes ocorria[br]entre pessoas da mesma etnia.

0:03:28.483,0:03:31.623
Então, como evitamos cair no paradoxo?

0:03:31.623,0:03:35.770
Infelizmente, não há uma resposta[br]que sirva para todos os casos.

0:03:35.770,0:03:38.686
Os dados podem ser agrupados[br]e divididos de infinitas maneiras

0:03:38.686,0:03:42.575
e os números globais, por vezes,[br]dão uma imagem mais rigorosa

0:03:42.575,0:03:46.829
do que os dados divididos em categorias[br]enganadoras ou arbitrárias.

0:03:46.829,0:03:52.480
Só podemos estudar cuidadosamente[br]as situações que as estatísticas descrevem

0:03:52.480,0:03:55.977
e considerar se pode haver[br]variáveis ocultas.

0:03:56.281,0:03:59.595
De outro modo, ficamos vulneráveis[br]aos que vão usar os dados

0:03:59.595,0:04:03.400
para manipular os outros[br]e promover os seus programas.