🏷️ Origen

La describió con claridad el estadístico británico Edward H. Simpson en un artículo de 1951 (The Interpretation of Interaction in Contingency Tables), aunque el fenómeno ya lo habían señalado antes Karl Pearson (hacia 1899) y Udny Yule (1903) —por eso a veces se llama efecto Yule-Simpson—. El nombre «paradoja de Simpson» se lo puso el estadístico Colin Blyth en 1972. El título va en cursiva por ser un término técnico moderno.

🤔 Qué es (el planteamiento)

Imagina dos tratamientos para una enfermedad, A y B. Miras los datos globales y el tratamiento B cura a un porcentaje mayor de pacientes que el A. Parece claro: usa B. Pero entonces separas a los pacientes en dos grupos —los de cálculos pequeños y los de cálculos grandes— y descubres algo desconcertante: en cada uno de los dos grupos por separado, el tratamiento A cura a un porcentaje mayor que el B. A gana con los cálculos pequeños, A gana con los grandes… y aun así, al juntar todo, B gana. La misma cifra dice lo contrario según cómo la mires.

Es exactamente lo que pasó en un caso famoso de admisiones en la Universidad de Berkeley (1973): en el cómputo global, los hombres eran admitidos en una proporción bastante mayor que las mujeres, lo que olía a discriminación. Pero al mirar facultad por facultad, en la mayoría de departamentos las mujeres eran admitidas en igual o mayor proporción que los hombres. La aparente discriminación global se evaporaba —o incluso se invertía— al desglosar.

🌀 Por qué descoloca (la tensión)

Descoloca porque una misma realidad parece afirmar A y no-A a la vez: «el tratamiento A es mejor en todos los subgrupos» choca de frente con «el tratamiento B es mejor en el total». Nuestra intuición da por hecho que, si algo gana en cada parte, debe ganar en el conjunto. Y no tiene por qué. La causa es una variable oculta (un factor de confusión) que se reparte de forma desigual entre los grupos. En Berkeley, las mujeres solicitaban plaza en las facultades más competitivas (con menos plazas para todos); en los cálculos renales, al tratamiento A se le daban precisamente los casos más graves. Al agregar sin tener en cuenta ese reparto desigual, la suma miente.

🔑 Soluciones e intentos de respuesta

• No es una contradicción lógica, es una advertencia: las dos afirmaciones son verdaderas a la vez; lo falso es la intuición de que «lo que vale para cada parte vale para el todo». Ambos porcentajes existen y son correctos; simplemente responden a preguntas distintas.
• La pregunta correcta manda (causalidad, no solo correlación): lo que decide qué cifra usar no es la estadística, sino el modelo causal de la situación. Judea Pearl insiste en esto: hay que preguntarse si la variable que separa los grupos es una causa que conviene controlar (la gravedad del caso: entonces mira los subgrupos) o un efecto en el camino (entonces controlarla te engaña). Sin saber qué causa qué, los números solos no deciden.
• La medicina práctica: desconfía de cualquier promedio global; desglosa por los subgrupos relevantes y busca el factor de confusión. Su pega: uno puede desglosar casi indefinidamente, y no todo subgrupo es pertinente; hace falta juicio sobre qué variables importan de verdad.

🧠 Qué debate de fondo toca

Toca el corazón de cómo interpretamos datos y de la diferencia entre correlación y causalidad. Enseña que los números no «hablan solos»: la misma tabla admite lecturas opuestas y solo un modelo de qué causa qué dice cuál es la honesta. Por eso es munición diaria contra el mal uso de las estadísticas: casi cualquier titular con un porcentaje puede estar escondiendo un Simpson debajo. Es pariente directo del cherry-picking (elegir el nivel de agregación que te conviene) y una lección de humildad epistémica: «los datos lo demuestran» es, muchas veces, una señal de alarma.

🔗 Relacionadas / fuentes

• Misma familia (mala intuición estadística): `monty-hall.md`, `paradoja-de-los-dos-ninos.md`. Trampas con datos: `../FALACIAS/cherry-picking.md`. Base: `_INDICE-paradojas.md`.
• Fuentes: E. H. Simpson (1951); Blyth (1972); caso Berkeley (Bickel, Hammel & O’Connell, Science, 1975); Judea Pearl sobre causalidad.