Ir al contenido
σestadistica.ar

estadistica.ar · Enciclopedia de Estadística en españolhttps://estadistica.ar/conceptos/paradoja-de-simpson

M03 · BivariadaIntermedioInterpretación

La paradoja de Simpson

Cuando la relación que se ve en el total desaparece o se invierte al mirar por subgrupos: el caso extremo de la confusión.

Por Jorge Luis Montivero, Licenciado en Estadística · Mu3Sigma

1 · Qué es

La paradoja de Simpson ocurre cuando una relación observada en los datos agregados desaparece, se debilita o se invierte al analizar los subgrupos por separado.

Paradoja de Simpson: mejor en todo, peor en total · video, 5:30

2 · La versión atenuada, con datos reales

Tasa de empleo no registrado entre asalariados de 18 años o más de la EPH, casos de la muestra sin ponderar (las 29 personas sin instrucción quedan afuera):

VaronesMujeresBrecha
Global35,6 %39,4 %−3,7 pts
Primario incompleto59,0 %70,3 %−11,4
Primario completo50,1 %63,0 %−12,9
Secundario incompleto54,7 %68,5 %−13,8
Secundario completo33,9 %46,5 %−12,6
Superior incompleto33,1 %42,7 %−9,7
Superior completo13,2 %15,2 %−2,0
0 % 20 % 40 % 60 % 80 % Global −3,7 pts Primario incompleto −11,4 pts Primario completo −12,9 pts Secundario incompleto −13,8 pts Secundario completo −12,6 pts Superior incompleto −9,7 pts Superior completo −2,0 pts varones mujeres
En cinco de los seis niveles educativos, las mujeres tienen entre 9,7 y 13,8 puntos más de empleo no registrado. En el global la brecha se achica a 3,7, porque ellas están más en los niveles altos.Fuente: INDEC, EPH, 1º trimestre de 2026. Asalariados de 18 años o más, sin ponderar.

La brecha global es tres veces menor que la de casi todos los estratos.

El motivo es la composición: las mujeres de la muestra están más concentradas en los niveles educativos altos, que son los de menor informalidad. Tienen superior completo el 33,5 % de las asalariadas y el 19,6 % de los asalariados. Esa ventaja educativa compensa parte de la desventaja dentro de cada nivel, y el agregado muestra una brecha mucho más chica. Las dos brechas son reales: responden preguntas distintas (ver la sección 6).

La estandarización directa lo resume en un número: si varones y mujeres tuvieran la misma composición educativa —la de todos los asalariados juntos—, la brecha sería de 9,6 puntos.

Brecha varones − mujeresSin ponderarCon PONDERA
Global, cruda−3,7−5,3
Estandarizada por educación−9,6−10,3
Dentro de los nivelesde −2,0 a −13,8de −1,6 a −26,5

Con el ponderador cambian los números, no la lectura. El −26,5 es el de primario incompleto, que tiene solo 91 mujeres en la muestra: con tan pocos casos, el ponderador mueve mucho la tasa.

3 · La versión con reversión

El ejemplo más citado después del de Berkeley es un estudio de cálculos renales de 1986 (Charig y otros, British Medical Journal). Comparó dos cirugías: A, la cirugía abierta, y B, la nefrolitotomía percutánea, menos invasiva. Los casos “leves” son los de cálculos de menos de 2 cm; los “graves”, los de 2 cm o más:

Tratamiento ATratamiento B
Casos leves93 % (81/87)87 % (234/270)
Casos graves73 % (192/263)69 % (55/80)
Total78 % (273/350)83 % (289/350)
60 % 70 % 80 % 90 % 100 % Casos leves A: 93 % B: 87 % Casos graves A: 73 % B: 69 % Total A: 78 % B: 83 % Porcentaje de éxito; el tamaño de cada círculo es la cantidad de casos. Charig y otros, 1986.
A queda a la derecha de B en los leves y en los graves, y a la izquierda en el total. Los círculos grandes muestran por qué: A se aplicó sobre todo a graves, y B a leves.Fuente: Charig y otros, 1986.

A es mejor en los leves, mejor en los graves, y peor en el total.

La explicación es el desbalance: A se aplicó mayoritariamente a casos graves —263 de 350—, donde cualquier tratamiento tiene peor tasa de éxito. El promedio global de A está arrastrado por la composición de sus pacientes, no por su calidad.

Esa lectura da la condición para que la reversión ocurra: hace falta que la variable de estratificación esté fuertemente desbalanceada entre los grupos y que además afecte mucho al resultado. Si los dos tratamientos se hubieran aplicado a mitades iguales de leves y graves, el total habría coincidido con los estratos y no habría paradoja alguna.

4 · El caso histórico

El ejemplo más citado es el de las admisiones de posgrado de la Universidad de Berkeley en 1973. En el agregado fue admitido el 44 % de los 8.442 varones y el 35 % de las 4.321 mujeres. Al desagregar por departamento la diferencia no se sostenía: de los seis departamentos más grandes, cuatro admitían mujeres en mayor proporción, y el análisis de Bickel y sus colegas encontró, si algo, un sesgo leve a favor de ellas.

La explicación fue de composición: las mujeres se postulaban en mayor medida a departamentos con tasas de admisión bajas para todos. El caso es célebre porque muestra que el dato agregado puede sugerir una discriminación que el desagregado no confirma —y también porque la elección de a qué departamento postularse no es ajena al problema que se quería estudiar—.

5 · También pasa con variables numéricas

La paradoja no es exclusiva de porcentajes y tablas: aparece igual con correlaciones y con pendientes de regresión.

La forma típica es una nube de puntos con pendiente positiva en el conjunto y negativa dentro de cada grupo —o al revés—. Ocurre cuando los grupos están escalonados: cada uno ocupa una zona distinta del gráfico y la recta global termina describiendo las diferencias entre grupos en vez de la relación dentro de cada uno. Es la misma cuenta de siempre: la correlación total mezcla variación entre grupos con variación interna.

Es la misma trampa que la falacia ecológica: suponer que lo que vale para los promedios de los grupos vale para las personas de cada grupo. Ver unidad de análisis.

Dentro de cada grupo: pendiente negativa Todos juntos (cortada): pendiente positiva La recta global describe las diferencias entre grupos, no la relación adentro. Datos ilustrativos
Tres grupos escalonados. Adentro de cada uno la relación es negativa; la recta de todos juntos sube, porque describe cómo se ordenan los grupos entre sí.Fuente: Datos simulados.

6 · Cuál resultado es el correcto

Depende de la pregunta, y esta es la parte que no se resuelve con Estadística:

PreguntaNivel correcto
¿Qué le conviene a este paciente, que tiene un cuadro grave?Desagregado
¿Cuántas personas están en empleo no registrado hoy?Agregado
¿Hay brecha de informalidad a igual educación?Desagregado
¿Cuál es la brecha total entre varones y mujeres?Agregado

7 · Cómo protegerse

Desagregar siempre. Antes de publicar una comparación agregada, mirarla por los subgrupos relevantes.

Comparar el crudo con el ajustado. Si difieren mucho, hay confusión y hay que explicarla.

Estandarizar. La estandarización directa aplica la misma estructura poblacional a los dos grupos y elimina el efecto de composición. Es el método clásico en demografía y salud, y existe justamente para esto.

Desconfiar de los promedios de poblaciones heterogéneas. Sobre todo cuando los grupos comparados tienen composiciones muy distintas.

Y al comparar dos momentos, preguntarse si cambió la composición. Una serie puede moverse sin que ninguno de sus componentes se haya movido.

8 · Errores frecuentes

  • Reportar solo el agregado en poblaciones heterogéneas.
  • Reportar solo el desagregado cuando la pregunta es sobre el total.
  • Creer que hay un resultado “verdadero” independiente de la pregunta.
  • Desagregar hasta que aparezca el resultado buscado. Es p-hacking.
  • Desagregar en grupos con muy pocos casos.
  • Atribuir a un cambio real lo que fue un cambio de composición.
  • Estratificar por un mediador y concluir que el efecto desapareció.
  • Llamar confusora a cualquier variable que cambia el resultado. Para confundir tiene que ser anterior a las dos; si viene después de la explicativa, es un mediador.

9 · En el software

# R — el reflejo básico: mirar global y por estrato
tapply(noreg, sexo, mean)                    # global
tapply(noreg, list(sexo, nivel_ed), mean)    # por estrato

# Con dplyr, y con el ponderador
d |> group_by(sexo) |> summarise(tasa = weighted.mean(noreg, PONDERA))
d |> group_by(nivel_ed, sexo) |>
  summarise(tasa = weighted.mean(noreg, PONDERA), n = n())

# Estandarización directa: las tasas de cada sexo con la composición de todos
comp  <- prop.table(table(d$nivel_ed))
tasas <- tapply(d$noreg, list(d$sexo, d$nivel_ed), mean)
tasas %*% comp                               # una tasa estandarizada por sexo

# La versión numérica: pendiente global contra pendientes por grupo
coef(lm(y ~ x, d))
d |> group_by(grupo) |> summarise(pendiente = coef(lm(y ~ x))[2])
# Python
d.groupby('sexo').noreg.mean()
d.groupby(['nivel_ed', 'sexo']).noreg.agg(['mean', 'size'])

# La versión numérica: pendiente global contra pendientes por grupo
import numpy as np
np.polyfit(d.x, d.y, 1)[0]
d.groupby('grupo').apply(lambda g: np.polyfit(g.x, g.y, 1)[0])
Excel:    Tabla dinámica con nivel educativo y sexo en filas (o sexo en
          columnas) y el promedio de la variable 0/1 en valores
SPSS:     Analizar › Estadísticos descriptivos › Tablas cruzadas ›
          sexo en filas, registro en columnas, nivel educativo en Capa 1

Referencias

Todas las obras que cita el sitio están en la bibliografía.

Herramientas de este tema

Seguir leyendo

Cómo citar: Montivero, J. L. (2026). La paradoja de Simpson. estadistica.ar. https://estadistica.ar/conceptos/paradoja-de-simpson

estadistica.ar es gratuita y sin publicidad. Si te sirvió, podés invitar un cafecito por transferencia al alias mu3sigma. Asesoramiento estadístico, encuestas y capacitaciones: m3s.pro · WhatsApp +54 9 383 499-7929.

Cómo citar esta entrada

APA (7.ª edición)

Montivero, J. L. (2026). La paradoja de Simpson. estadistica.ar. https://estadistica.ar/conceptos/paradoja-de-simpson

BibTeX

@misc{estadistica_ar_paradoja_de_simpson,
  author       = {Montivero, Jorge Luis},
  title        = {{La paradoja de Simpson}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/paradoja-de-simpson}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-11-10}
}

Última actualización: 10 de noviembre de 2026. El contenido está bajo licencia CC BY-NC-SA 4.0: se puede reutilizar citando la fuente y sin fines comerciales.