ABOUT THE SPEAKER
Peter Donnelly - Mathematician; statistician
Peter Donnelly is an expert in probability theory who applies statistical methods to genetic data -- spurring advances in disease treatment and insight on our evolution. He's also an expert on DNA analysis, and an advocate for sensible statistical analysis in the courtroom.

Why you should listen

Peter Donnelly applies statistical methods to real-world problems, ranging from DNA analysis (for criminal trials), to the treatment of genetic disorders. A mathematician who collaborates with biologists, he specializes in applying probability and statistics to the field of genetics, in hopes of shedding light on evolutionary history and the structure of the human genome.

The Australian-born, Oxford-based mathematician is best known for his work in molecular evolution (tracing the roots of human existence to their earliest origins using the mutation rates of mitochondrial DNA). He studies genetic distributions in living populations to trace human evolutionary history -- an approach that informs research in evolutionary biology, as well as medical treatment for genetic disorders. Donnelly is a key player in the International HapMap Project, an ongoing international effort to model human genetic variation and pinpoint the genes responsible for specific aspects of health and disease; its implications for disease prevention and treatment are vast.

He's also a leading expert on DNA analysis and the use of forensic science in criminal trials; he's an outspoken advocate for bringing sensible statistical analysis into the courtroom. Donnelly leads Oxford University's Mathematical Genetics Group, which conducts research in genetic modeling, human evolutionary history, and forensic DNA profiling. He is also serves as Director of the Wellcome Trust Centre for Human Genetics at Oxford University, which explores the genetic relationships to disease and illness. 

More profile about the speaker
Peter Donnelly | Speaker | TED.com
TEDGlobal 2005

Peter Donnelly: How juries are fooled by statistics

Питър Донъли показва как статистиката заблуждава съдебните заседатели

Filmed:
1,279,860 views

Математикът от Оксфорд Питър Донъли разкрива обичайните грешки, правени от хората при интерпретиране на статистически данни - и опустошителния ефект, който могат да имат тези грешки върху резултата от криминални процеси.
- Mathematician; statistician
Peter Donnelly is an expert in probability theory who applies statistical methods to genetic data -- spurring advances in disease treatment and insight on our evolution. He's also an expert on DNA analysis, and an advocate for sensible statistical analysis in the courtroom. Full bio

Double-click the English transcript below to play the video.

00:25
As other speakersвисокоговорители have said, it's a ratherпо-скоро dauntingобезсърчително experienceопит --
0
0
2000
Както казаха други оратори, е доста обезсърчително преживяване...
00:27
a particularlyособено dauntingобезсърчително experienceопит -- to be speakingговорещ in frontпреден of this audienceпублика.
1
2000
3000
особено обезсърчително преживяване... да се говори пред тази публика.
00:30
But unlikeза разлика от the other speakersвисокоговорители, I'm not going to tell you about
2
5000
3000
Но за разлика от другите оратори, аз няма да ви разказвам
00:33
the mysteriesпотайности of the universeвселена, or the wondersчудеса of evolutionеволюция,
3
8000
2000
за мистериите на Вселената, или чудесата на еволюцията,
00:35
or the really cleverумен, innovativeиновативен waysначини people are attackingатакуващ
4
10000
4000
или наистина умните, иновативни начини, по които хората атакуват
00:39
the majorголям inequalitiesнеравенства in our worldсвят.
5
14000
2000
огромните неравенства в нашия свят.
00:41
Or even the challengesпредизвикателства of nation-statesнационални държави in the modernмодерен globalв световен мащаб economyикономика.
6
16000
5000
Дори и за предизвикателствата на нациите-държави в модерната глобална икономика.
00:46
My briefкратък, as you've just heardчух, is to tell you about statisticsстатистика --
7
21000
4000
Целта ми, както току-що чухте, е да ви разказвам за статистика...
00:50
and, to be more preciseточно, to tell you some excitingвълнуващ things about statisticsстатистика.
8
25000
3000
и, за да бъда по-точен, да ви разкажа някои вълнуващи неща за статистиката.
00:53
And that's --
9
28000
1000
А това е...
00:54
(LaughterСмях)
10
29000
1000
(Смях)
00:55
-- that's ratherпо-скоро more challengingпредизвикателен
11
30000
2000
...това е доста по-предизвикателно,
00:57
than all the speakersвисокоговорители before me and all the onesтакива comingидващ after me.
12
32000
2000
отколкото за всички оратори преди мен и за всички след мен.
00:59
(LaughterСмях)
13
34000
1000
(Смях)
01:01
One of my seniorСтарши colleaguesколеги told me, when I was a youngsterмладеж in this professionпрофесия,
14
36000
5000
Един от по-старшите ми колеги ми каза, когато бях младок в тази професия,
01:06
ratherпо-скоро proudlyгордо, that statisticiansстатистици were people who likedхаресали figuresфигури
15
41000
4000
доста гордо, че статистиците са хора, които харесват цифрите,
01:10
but didn't have the personalityиндивидуалност skillsумения to becomeда стане accountantsсчетоводители.
16
45000
3000
но нямат личните умения, за да станат счетоводители.
01:13
(LaughterСмях)
17
48000
2000
(Смях)
01:15
And there's anotherоще in-jokeв-шега amongсред statisticiansстатистици, and that's,
18
50000
3000
Сред статистиците има и друга вътрешна шега:
01:18
"How do you tell the introvertedинтровертен statisticianстатистик from the extrovertedекстровертен statisticianстатистик?"
19
53000
3000
"По какво се различава статистикът интроверт от статистика екстроверт?"
01:21
To whichкойто the answerотговор is,
20
56000
2000
А отговорът е:
01:23
"The extrovertedекстровертен statistician'sстатистик на the one who looksвъншност at the other person'sчовек shoesобувки."
21
58000
5000
"Статистикът екстроверт е този, който гледа обувките на другия човек."
01:28
(LaughterСмях)
22
63000
3000
(Смях)
01:31
But I want to tell you something usefulполезен -- and here it is, so concentrateконцентрирам now.
23
66000
5000
Искам обаче да ви кажа нещо полезно... ето го, така че се съсредоточете.
01:36
This eveningвечер, there's a receptionприемане in the University'sНа университета MuseumМузей of NaturalЕстествени HistoryИстория.
24
71000
3000
Тази вечер има прием в Университетския музей по естествена история.
01:39
And it's a wonderfulчудесен settingобстановка, as I hopeнадявам се you'llти ще find,
25
74000
2000
Чудесна обстановка, както се надявам да откриете,
01:41
and a great iconикона to the bestнай-доброто of the VictorianВикторианска traditionтрадиция.
26
76000
5000
и прекрасен символ на най-добротото от викторианската традиция.
01:46
It's very unlikelyмалко вероятно -- in this specialспециален settingобстановка, and this collectionколекция of people --
27
81000
5000
Доста е невероятно... при тази специална обстановка и тази сбирка от хора...
01:51
but you mightбиха могли, може just find yourselfсебе си talkingговорим to someoneнякой you'dти можеш ratherпо-скоро wishпожелавам that you weren'tне са били.
28
86000
3000
но може просто да се окаже, че говорите с някого, с когото бихте предпочели да не говорите.
01:54
So here'sето what you do.
29
89000
2000
Ето какво да правите.
01:56
When they say to you, "What do you do?" -- you say, "I'm a statisticianстатистик."
30
91000
4000
Когато ви попитат: "С какво се занимавате?", отговаряте: "Със статистика".
02:00
(LaughterСмях)
31
95000
1000
(Смях)
02:01
Well, exceptс изключение they'veте имат been pre-warnedпредварително предупреден now, and they'llте ще know you're makingприготвяне it up.
32
96000
4000
Е, освен ако не са предупредени предварително сега и знаят, че си го измисляте.
02:05
And then one of two things will happenстава.
33
100000
2000
И тогава ще се случи едно от две неща.
02:07
They'llТе ще eitherедин discoverоткривам theirтехен long-lostотдавна изгубен cousinбратовчед in the other cornerъглов of the roomстая
34
102000
2000
Или ще открият отдавна изгубения си братовчед в другия ъгъл на залата
02:09
and runтичам over and talk to them.
35
104000
2000
и ще изтичат да поговорят с него,
02:11
Or they'llте ще suddenlyвнезапно becomeда стане parchedизсъхнал and/or hungryгладен -- and oftenчесто bothи двете --
36
106000
3000
или пък внезапно ще ги обземе страхотен глад и/или жажда... често и двете...
02:14
and sprintспринт off for a drinkпитие and some foodхрана.
37
109000
2000
и ще спринтират за питие и храна.
02:16
And you'llти ще be left in peaceмир to talk to the personчовек you really want to talk to.
38
111000
4000
А вие ще бъдете оставени на мира да поговорите с човека, с когото наистина искате.
02:20
It's one of the challengesпредизвикателства in our professionпрофесия to try and explainобяснявам what we do.
39
115000
3000
Едно от предизвикателствата в нашата професия е да се опитваме да обясним с какво се занимаваме.
02:23
We're not topвръх on people'sнародната listsсписъци for dinnerвечеря partyстрана guestsгоста and conversationsразговори and so on.
40
118000
5000
Не сме начело на хорските списъци за гости на вечеря, разговори и така нататък.
02:28
And it's something I've never really foundнамерено a good way of doing.
41
123000
2000
И това е нещо, за което всъщност никога не съм намирал добър начин.
02:30
But my wifeсъпруга -- who was then my girlfriendприятелка --
42
125000
3000
Но жена ми... която тогава беше моя приятелка...
02:33
managedуправлявана it much better than I've ever been ableспособен to.
43
128000
3000
успяваше в това далеч по-добре от мен.
02:36
ManyМного yearsгодини agoпреди, when we first startedзапочна going out, she was workingработа for the BBCBBC in BritainВеликобритания,
44
131000
3000
Преди много години, когато започнахме да излизаме отначало, тя работеше в Би Би Си в Британия,
02:39
and I was, at that stageсцена, workingработа in AmericaАмерика.
45
134000
2000
а аз, на този етап, работех в Америка.
02:41
I was comingидващ back to visitпосещение her.
46
136000
2000
Връщах се да я посетя.
02:43
She told this to one of her colleaguesколеги, who said, "Well, what does your boyfriendгадже do?"
47
138000
6000
Тя каза това на един от колегите си, който попита: "А какво работи приятелят ти?"
02:49
SarahСара thought quiteсъвсем hardтвърд about the things I'd explainedобяснено --
48
144000
2000
Сара се замислила доста за нещата, които съм й обяснявал...
02:51
and she concentratedконцентриран, in those daysдни, on listeningслушане.
49
146000
4000
а в онези времена тя се съсредоточаваше върху изсушването.
02:55
(LaughterСмях)
50
150000
2000
(Смях)
02:58
Don't tell her I said that.
51
153000
2000
Не й казвайте, че съм казал така.
03:00
And she was thinkingмислене about the work I did developingразработване mathematicalматематически modelsмодели
52
155000
4000
И мислеше за работата, която вършех за разработване на математически модели
03:04
for understandingразбиране evolutionеволюция and modernмодерен geneticsгенетика.
53
159000
3000
за разбиране на еволюцията и модерната генетика.
03:07
So when her colleagueколега said, "What does he do?"
54
162000
3000
Затова, когато колегата й попитал: "Какво работи той",
03:10
She pausedзамълча and said, "He modelsмодели things."
55
165000
4000
тя замълчала за малко и отвърнала: "Моделира разни неща."
03:14
(LaughterСмях)
56
169000
1000
(Смях)
03:15
Well, her colleagueколега suddenlyвнезапно got much more interestedзаинтересован than I had any right to expectочаквам
57
170000
4000
Е, колегата й внезапно се заинтересувал много повече, отколкото имах право да очаквам,
03:19
and wentотидох on and said, "What does he modelмодел?"
58
174000
3000
продължил и попитал: "А какво моделира?"
03:22
Well, SarahСара thought a little bitмалко more about my work and said, "GenesГени."
59
177000
3000
Сара помислила още малко за работата ми и отвърнала: "Гени."
03:25
(LaughterСмях)
60
180000
4000
(Смях)
03:29
"He modelsмодели genesгени."
61
184000
2000
"Той моделира гени."
03:31
That is my first love, and that's what I'll tell you a little bitмалко about.
62
186000
4000
Това е първата ми любов, ще ви разкажа малко за нея.
03:35
What I want to do more generallyв общи линии is to get you thinkingмислене about
63
190000
4000
Онова, което искам да постигна по-общо, е да ви накарам да се замислите
03:39
the placeмясто of uncertaintyнесигурност and randomnessслучайност and chanceшанс in our worldсвят,
64
194000
3000
за мястото на несигурността, произволността и случайността в нашия свят,
03:42
and how we reactреагирам to that, and how well we do or don't think about it.
65
197000
5000
как реагираме на това и колко добре мислим, или не мислим за това.
03:47
So you've had a prettyкрасива easyлесно time up tillдо now --
66
202000
2000
Досега ви беше доста лесно...
03:49
a fewмалцина laughsсмее, and all that kindмил of thing -- in the talksпреговори to dateдата.
67
204000
2000
малко смях, ей такива неща... на разговорите досега.
03:51
You've got to think, and I'm going to askпитам you some questionsвъпроси.
68
206000
3000
Трябва да помислите, и ще ви задам няколко въпроса.
03:54
So here'sето the sceneсцена for the first questionвъпрос I'm going to askпитам you.
69
209000
2000
Ето първия въпрос, който ще ви задам.
03:56
Can you imagineПредставете си tossingХвърляне a coinмонета successivelyпоследователно?
70
211000
3000
Можете ли да си представите последователно хвърляне на монета?
03:59
And for some reasonпричина -- whichкойто shallще remainостават ratherпо-скоро vagueнеясен --
71
214000
3000
По някаква причина... която ще остане доста неясна...
04:02
we're interestedзаинтересован in a particularособен patternмодел.
72
217000
2000
се интересуваме от определен модел.
04:04
Here'sТук е one -- a headглава, followedпоследвано by a tailопашка, followedпоследвано by a tailопашка.
73
219000
3000
Ето един... ези, следвано от тура, следвано от тура.
04:07
So supposeпредполагам we tossхвърляне на чоп a coinмонета repeatedlyнееднократно.
74
222000
3000
Да предположим, че хвърляме монета многократно.
04:10
Then the patternмодел, head-tail-tailглава-опашка опашка, that we'veние имаме suddenlyвнезапно becomeда стане fixatedобсебени with happensслучва се here.
75
225000
5000
Тогава моделът, ези-тура-тура, от който внезапно сме обсебени, се случва тук.
04:15
And you can countброя: one, two, threeтри, fourчетирима, fiveпет, sixшест, sevenседем, eightосем, nineдевет, 10 --
76
230000
4000
И може да се брои: едно, две, три, четири, пет, шест, седем, осем, девет, десет...
04:19
it happensслучва се after the 10thтата tossхвърляне на чоп.
77
234000
2000
случва се след десетото хвърляне.
04:21
So you mightбиха могли, може think there are more interestingинтересен things to do, but humorхумор me for the momentмомент.
78
236000
3000
Може да си мислите, че има по-интересни неща за правене, но ми угодете за момента.
04:24
ImagineПредставете си this halfнаполовина of the audienceпублика eachвсеки get out coinsмонети, and they tossхвърляне на чоп them
79
239000
4000
Представете си, че всички от тази половина от публиката вземат монети и ги хвърлят,
04:28
untilдо they first see the patternмодел head-tail-tailглава-опашка опашка.
80
243000
3000
докато видят за пръв път модела ези-тура-тура.
04:31
The first time they do it, maybe it happensслучва се after the 10thтата tossхвърляне на чоп, as here.
81
246000
2000
За пръв път може да се случи след десетото хвърляне, както тук.
04:33
The secondвтори time, maybe it's after the fourthчетвърти tossхвърляне на чоп.
82
248000
2000
Втория път - може би след четвъртото хвърляне.
04:35
The nextследващия time, after the 15thтата tossхвърляне на чоп.
83
250000
2000
Следващия път, след 15-тото хвърляне.
04:37
So you do that lots and lots of timesпъти, and you averageсредно аритметично those numbersчисленост.
84
252000
3000
Значи, това се прави много пъти и се усредняват тези числа.
04:40
That's what I want this sideстрана to think about.
85
255000
3000
За това искам да мисли тази страна.
04:43
The other halfнаполовина of the audienceпублика doesn't like head-tail-tailглава-опашка опашка --
86
258000
2000
Другата част от публиката не обича ези-тура-тура...
04:45
they think, for deepДълбок culturalкултурен reasonsпричини, that's boringскучно е --
87
260000
3000
според тях, по дълбоки културни причини, това е скучно...
04:48
and they're much more interestedзаинтересован in a differentразличен patternмодел -- head-tail-headглава-опашка главата.
88
263000
3000
и са много по-заинтересувани от различен модел - ези-тура-ези.
04:51
So, on this sideстрана, you get out your coinsмонети, and you tossхвърляне на чоп and tossхвърляне на чоп and tossхвърляне на чоп.
89
266000
3000
Значи, от тази страна, изваждате монетите си, хвърляте и хвърляте, и хвърляте.
04:54
And you countброя the numberномер of timesпъти untilдо the patternмодел head-tail-headглава-опашка главата appearsпоявява се
90
269000
3000
И броите колко пъти, докато се появи моделът ези-тура-ези
04:57
and you averageсредно аритметично them. OK?
91
272000
3000
и ги усреднявате. Става ли?
05:00
So on this sideстрана, you've got a numberномер --
92
275000
2000
Значи, от тази страна имате число...
05:02
you've doneСвършен it lots of timesпъти, so you get it accuratelyакуратно --
93
277000
2000
правили сте го много пъти, така че е точно...
05:04
whichкойто is the averageсредно аритметично numberномер of tossesхвърляния untilдо head-tail-tailглава-опашка опашка.
94
279000
3000
което е средният брой хвърляния до получаване на ези-тура-тура.
05:07
On this sideстрана, you've got a numberномер -- the averageсредно аритметично numberномер of tossesхвърляния untilдо head-tail-headглава-опашка главата.
95
282000
4000
От тази страна имате число... средният брой хвърляния до получаване на ези-тура-ези.
05:11
So here'sето a deepДълбок mathematicalматематически factфакт --
96
286000
2000
Ето един дълбок математически факт...
05:13
if you've got two numbersчисленост, one of threeтри things mustтрябва да be trueвярно.
97
288000
3000
ако има две числа, трябва да е вярно едно от три неща.
05:16
EitherИли they're the sameедин и същ, or this one'sедин е biggerпо-голям than this one,
98
291000
3000
Или са едни и същи, или това е по-голямо от онова,
05:19
or this one'sедин е biggerпо-голям than that one.
99
294000
1000
или онова по-голямо от това.
05:20
So what's going on here?
100
295000
3000
А какво става тук?
05:23
So you've all got to think about this, and you've all got to voteгласуване --
101
298000
2000
Трябва всички да помислите за това и всички да гласуваме...
05:25
and we're not movingдвижещ on.
102
300000
1000
не се придвижваме нататък.
05:26
And I don't want to endкрай up in the two-minuteдве минути silenceмълчание
103
301000
2000
И не искам накрая да се получи двеминутно мълчание,
05:28
to give you more time to think about it, untilдо everyone'sвсички са expressedизразена a viewизглед. OK.
104
303000
4000
за да ви дам повече време да мислите за това, докато всеки е изразил възглед. Така.
05:32
So what you want to do is compareсравнение the averageсредно аритметично numberномер of tossesхвърляния untilдо we first see
105
307000
4000
Това, което искате да правите, е да сравнявате средния брой хвърляния, докато видим за пръв път
05:36
head-tail-headглава-опашка главата with the averageсредно аритметично numberномер of tossesхвърляния untilдо we first see head-tail-tailглава-опашка опашка.
106
311000
4000
ези-тура-ези със средния брой хвърляния, докато видим ези-тура-тура.
05:41
Who thinksмисли that A is trueвярно --
107
316000
2000
Кой мисли, че А е вярно...
05:43
that, on averageсредно аритметично, it'llще take longerповече време to see head-tail-headглава-опашка главата than head-tail-tailглава-опашка опашка?
108
318000
4000
че средно ще трябва по-дълго време, за да се види ези-тура-ези, отколкото ези-тура-тура?
05:47
Who thinksмисли that B is trueвярно -- that on averageсредно аритметично, they're the sameедин и същ?
109
322000
3000
Кой мисли, че е вярно В - че средно са едни и същи?
05:51
Who thinksмисли that C is trueвярно -- that, on averageсредно аритметично, it'llще take lessпо-малко time
110
326000
2000
Кой мисли, че е вярно С - че средно ще трябва по-малко време,
05:53
to see head-tail-headглава-опашка главата than head-tail-tailглава-опашка опашка?
111
328000
3000
за да се види ези-тура-ези, отколкото ези-тура-тура?
05:57
OK, who hasn'tне е votedгласува yetоще? Because that's really naughtyпалав -- I said you had to.
112
332000
3000
Така, кой не е гласувал още? Защото това е много невъзпитано - казах ви, че трябва.
06:00
(LaughterСмях)
113
335000
1000
(Смях)
06:02
OK. So mostнай-много people think B is trueвярно.
114
337000
3000
Така. Значи, повечето хора мислят, че е вярно В.
06:05
And you mightбиха могли, може be relievedоблекчена to know even ratherпо-скоро distinguishedизтъкнат mathematiciansматематици think that.
115
340000
3000
Може да сте облекчени да научите, че така мислят дори доста изтъкнати математици.
06:08
It's not. A is trueвярно here.
116
343000
4000
Не е така. Тук е вярно А.
06:12
It takes longerповече време, on averageсредно аритметично.
117
347000
2000
Средно е нужно по-дълго време.
06:14
In factфакт, the averageсредно аритметично numberномер of tossesхвърляния tillдо head-tail-headглава-опашка главата is 10
118
349000
2000
Всъщност средният брой хвърляния, докато се падне 10 пъти ези-тура-ези
06:16
and the averageсредно аритметично numberномер of tossesхвърляния untilдо head-tail-tailглава-опашка опашка is eightосем.
119
351000
5000
и средният брой хвърляния, докато се падне ези-тура-тура е осем.
06:21
How could that be?
120
356000
2000
Как е възможно?
06:24
Anything differentразличен about the two patternsмодели?
121
359000
3000
Има ли нещо различно в двата модела?
06:30
There is. Head-tail-headЕзи-тура-ези overlapsприпокриване itselfсебе си.
122
365000
5000
Има. Ези-тура-ези се застъпва.
06:35
If you wentотидох head-tail-head-tail-headглава-опашка глава-опашка главата, you can cunninglyхитро get two occurrencesсъбития
123
370000
4000
Ако се получи ези-тура-ези-тура-ези, може хитро да се получат две появи
06:39
of the patternмодел in only fiveпет tossesхвърляния.
124
374000
3000
на модела само при пет хвърляния.
06:42
You can't do that with head-tail-tailглава-опашка опашка.
125
377000
2000
Не става с ези-тура-тура.
06:44
That turnsзавои out to be importantважно.
126
379000
2000
Това се оказва важно.
06:46
There are two waysначини of thinkingмислене about this.
127
381000
2000
Има два начина да се мисли за това.
06:48
I'll give you one of them.
128
383000
2000
Ще ви дам един от тях.
06:50
So imagineПредставете си -- let's supposeпредполагам we're doing it.
129
385000
2000
Представете си... да предположим, че го правим.
06:52
On this sideстрана -- rememberпомня, you're excitedвъзбуден about head-tail-tailглава-опашка опашка;
130
387000
2000
От тази страна... помнете, вие сте развълнувани от ези-тура-тура,
06:54
you're excitedвъзбуден about head-tail-headглава-опашка главата.
131
389000
2000
вие сте развълнувани от ези-тура-ези.
06:56
We startначало tossingХвърляне a coinмонета, and we get a headглава --
132
391000
3000
Започваме да хвърляме монета и получаваме ези...
06:59
and you startначало sittingседнал on the edgeръб, край of your seatседалка
133
394000
1000
и започвате да седите на ръба на стола си,
07:00
because something great and wonderfulчудесен, or awesomeстрахотен, mightбиха могли, може be about to happenстава.
134
395000
5000
защото може да е на път да се случи нещо прекрасно, чудесно или внушително.
07:05
The nextследващия tossхвърляне на чоп is a tailопашка -- you get really excitedвъзбуден.
135
400000
2000
Следващото хвърляне е тура... наистина се вълнувате.
07:07
The champagne'sшампанско на on iceлед just nextследващия to you; you've got the glassesочила chilledохладено to celebrateпразнувам.
136
402000
4000
Шампанското се изстудява върху лед до вас, охладили сте чашите за празнуване.
07:11
You're waitingочакване with batedзатаен breathдъх for the finalфинал tossхвърляне на чоп.
137
406000
2000
Чакате със затаен дъх последното хвърляне.
07:13
And if it comesидва down a headглава, that's great.
138
408000
2000
И се пада ези, страхотно.
07:15
You're doneСвършен, and you celebrateпразнувам.
139
410000
2000
Готови сте, и празнувате.
07:17
If it's a tailопашка -- well, ratherпо-скоро disappointedlyразочаровано, you put the glassesочила away
140
412000
2000
Ако е тура... е, доста разочароващо, оставяте чашите
07:19
and put the champagneшампанско back.
141
414000
2000
и прибирате шампанското.
07:21
And you keep tossingХвърляне, to wait for the nextследващия headглава, to get excitedвъзбуден.
142
416000
3000
И продължавате да хвърляте, в очакване на следващото ези, за да се развълнувате.
07:25
On this sideстрана, there's a differentразличен experienceопит.
143
420000
2000
От тази страна, ето различно преживяване.
07:27
It's the sameедин и същ for the first two partsчасти of the sequenceпоследователност.
144
422000
3000
Същото е за първите две части от поредицата.
07:30
You're a little bitмалко excitedвъзбуден with the first headглава --
145
425000
2000
Малко сте развълнувани от първото ези...
07:32
you get ratherпо-скоро more excitedвъзбуден with the nextследващия tailопашка.
146
427000
2000
вълнувате се доста повече от следващата тура.
07:34
Then you tossхвърляне на чоп the coinмонета.
147
429000
2000
После хвърляте монетата.
07:36
If it's a tailопашка, you crackцепнатина openотворен the champagneшампанско.
148
431000
3000
Ако е тура, гръмвате шампанското.
07:39
If it's a headглава you're disappointedразочарован,
149
434000
2000
Ако е ези, сте разочаровани,
07:41
but you're still a thirdтрета of the way to your patternмодел again.
150
436000
3000
но все пак сте на една трета от пътя отново да получите вашия модел.
07:44
And that's an informalнеформален way of presentingпредставяне it -- that's why there's a differenceразлика.
151
439000
4000
Това е неформален начин да се представи... затова има разлика.
07:48
AnotherДруг way of thinkingмислене about it --
152
443000
2000
Друг начин да се мисли по въпроса -
07:50
if we tossedблъскат a coinмонета eightосем millionмилион timesпъти,
153
445000
2000
ако хвърлим една монета осем милиона пъти,
07:52
then we'dние искаме expectочаквам a millionмилион head-tail-headsглава-опашка глави
154
447000
2000
тогава бихме очаквали един милион ези-тура-ези
07:54
and a millionмилион head-tail-tailsглава-опашка опашки -- but the head-tail-headsглава-опашка глави could occurвъзникне in clumpsкичури.
155
449000
7000
и един милион ези-тура-тура - но ези-тура-ези би могло да се проявява накуп.
08:01
So if you want to put a millionмилион things down amongstсред eightосем millionмилион positionsпозиции
156
456000
2000
Затова, ако искате да поставите милион неща сред осем милиона позиции
08:03
and you can have some of them overlappingзастъпване, the clumpsкичури will be furtherоще apartна части.
157
458000
5000
и може някои от тях да се застъпват, куповете ще бъдат по-раздалечени.
08:08
It's anotherоще way of gettingполучаване на the intuitionинтуиция.
158
463000
2000
Това е друг начин за схващане на интуицията.
08:10
What's the pointточка I want to make?
159
465000
2000
Какво всъщност твърдя?
08:12
It's a very, very simpleпрост exampleпример, an easilyлесно statedпосочен questionвъпрос in probabilityвероятност,
160
467000
4000
Това е много, много прост пример, лесен за излагане въпрос по вероятност,
08:16
whichкойто everyвсеки -- you're in good companyкомпания -- everybodyвсички getsполучава wrongпогрешно.
161
471000
3000
който всеки... в добра компания сте... всеки разбира погрешно.
08:19
This is my little diversionотклоняване into my realреален passionстраст, whichкойто is geneticsгенетика.
162
474000
4000
Това е малкото ми отклонение от реалната ми страст, а именно генетиката.
08:23
There's a connectionВръзка betweenмежду head-tail-headsглава-опашка глави and head-tail-tailsглава-опашка опашки in geneticsгенетика,
163
478000
3000
Има връзка между ези-тура-ези и ези-тура-тура в генетиката,
08:26
and it's the followingследното.
164
481000
3000
и тя е следната.
08:29
When you tossхвърляне на чоп a coinмонета, you get a sequenceпоследователност of headsглави and tailsтура.
165
484000
3000
При хвърляне на монета се получава поредица от ези и тура.
08:32
When you look at DNAДНК, there's a sequenceпоследователност of not two things -- headsглави and tailsтура --
166
487000
3000
Като погледнеш ДНК, там има поредица не от две неща - ези и тура -
08:35
but fourчетирима lettersписма -- As, GsGS, CsCS and TsTS.
167
490000
3000
а от четири букви: А-та, Г-та, Ц-та и Т-та.
08:38
And there are little chemicalхимически scissorsножици, calledНаречен restrictionограничение enzymesензими
168
493000
3000
Има и малки химически ножици, наречени рестрикционни ендонуклеази,
08:41
whichкойто cutразрез DNAДНК wheneverкогато и да е they see particularособен patternsмодели.
169
496000
2000
които срязват ДНК, щом видят определени модели.
08:43
And they're an enormouslyбезкрайно usefulполезен toolинструмент in modernмодерен molecularмолекулен biologyбиология.
170
498000
4000
И са невероятно полезен инструмент в модерната молекулярна биология.
08:48
And insteadвместо of askingпита the questionвъпрос, "How long untilдо I see a head-tail-headглава-опашка главата?" --
171
503000
3000
Вместо да се задава въпросът: "Колко време ще мине, докато видя ези-тура-ези?",
08:51
you can askпитам, "How bigголям will the chunksпарчета be when I use a restrictionограничение enzymeензим
172
506000
3000
може да попиташ: "Колко големи ще бъдат парчетата, когато използвам рестрикционна ендонуклеаза,
08:54
whichкойто cutsразфасовки wheneverкогато и да е it seesвижда G-A-A-GG-A-A-G, for exampleпример?
173
509000
4000
която реже винаги, щом види Г-А-А-Г, например?
08:58
How long will those chunksпарчета be?"
174
513000
2000
Колко дълги ще бъдат тези парчета?"
09:00
That's a ratherпо-скоро trivialтривиален connectionВръзка betweenмежду probabilityвероятност and geneticsгенетика.
175
515000
5000
Това е доста тривиална връзка между вероятност и генетика.
09:05
There's a much deeperпо дълбоко connectionВръзка, whichкойто I don't have time to go into
176
520000
3000
Има много по-дълбока връзка, в която нямам време да навлизам,
09:08
and that is that modernмодерен geneticsгенетика is a really excitingвълнуващ area■ площ of scienceнаука.
177
523000
3000
и тя е, че модерната генетика е наистина вълнуваща област от науката.
09:11
And we'llдобре hearчувам some talksпреговори laterпо късно in the conferenceконференция specificallyконкретно about that.
178
526000
4000
Ще чуем някои разговори по-нататък на конференцията специално за това.
09:15
But it turnsзавои out that unlockingотключване the secretsтайни in the informationинформация generatedгенерирана by modernмодерен
179
530000
4000
Но се оказва, че отключването на тайните в информацията, генерирана от модерни
09:19
experimentalекспериментален technologiesтехнологии, a keyключ partчаст of that has to do with fairlyсравнително sophisticatedсложен --
180
534000
5000
експериментални технологии, ключова част от него е свързана с доста сложни...
09:24
you'llти ще be relievedоблекчена to know that I do something usefulполезен in my day jobработа,
181
539000
3000
ще бъдете облекчени, като научите, че върша нещо полезно в работата си,
09:27
ratherпо-скоро more sophisticatedсложен than the head-tail-headглава-опашка главата storyистория --
182
542000
2000
доста по-сложни от историята с ези-тура-ези...
09:29
but quiteсъвсем sophisticatedсложен computerкомпютър modelingsmodelings and mathematicalматематически modelingsmodelings
183
544000
4000
но доста сложни компютърни моделирания, математически моделирания
09:33
and modernмодерен statisticalстатистически techniquesтехники.
184
548000
2000
и модерни статистически техники.
09:35
And I will give you two little snippetsоткъси -- two examplesпримери --
185
550000
3000
Ще ви дам два малки откъса... два примера...
09:38
of projectsпроекти we're involvedучастващи in in my groupгрупа in OxfordОксфорд,
186
553000
3000
от проекти, в които участваме в моята група в Оксфорд,
09:41
bothи двете of whichкойто I think are ratherпо-скоро excitingвълнуващ.
187
556000
2000
според мен и двата са доста вълнуващи.
09:43
You know about the HumanЧовешки GenomeГеном ProjectПроект.
188
558000
2000
Знаете за проекта Човешки геном.
09:45
That was a projectпроект whichкойто aimedцеляща to readПрочети one copyкопие of the humanчовек genomeгеном.
189
560000
4000
Това беше проект, насочен към разчитане на едно копие от човешкия геном.
09:51
The naturalестествен thing to do after you've doneСвършен that --
190
566000
2000
Естественото, след като си го направил...
09:53
and that's what this projectпроект, the InternationalМеждународен HapMapHapMap ProjectПроект,
191
568000
2000
и това е този проект, Международният проект HapMap,
09:55
whichкойто is a collaborationсътрудничество betweenмежду labsлаборатории in fiveпет or sixшест differentразличен countriesдържави.
192
570000
5000
който е сътрудничество между лаборатории в пет или шест различни страни.
10:00
Think of the HumanЧовешки GenomeГеном ProjectПроект as learningизучаване на what we'veние имаме got in commonчесто срещани,
193
575000
4000
Мислете за проекта Човешки геном като научаване какво общо имаме,
10:04
and the HapMapHapMap ProjectПроект is tryingопитвайки to understandразбирам
194
579000
2000
а проектът HapMap се опитва да разбере
10:06
where there are differencesразлики betweenмежду differentразличен people.
195
581000
2000
къде са разликите между различните хора.
10:08
Why do we careгрижа about that?
196
583000
2000
Защо ни е грижа за това?
10:10
Well, there are lots of reasonsпричини.
197
585000
2000
Ами, има много причини.
10:12
The mostнай-много pressingнатискане one is that we want to understandразбирам how some differencesразлики
198
587000
4000
Най-непосредствената е, че искаме да разберем как някои различия
10:16
make some people susceptibleподатлив to one diseaseболест -- type-Тип-2 diabetesдиабет, for exampleпример --
199
591000
4000
правят някои хора податливи на една болест - диабет тип 2, например -
10:20
and other differencesразлики make people more susceptibleподатлив to heartсърце diseaseболест,
200
595000
5000
а други различия правят хората по-податливи на сърдечни заболявания,
10:25
or strokeудар, or autismаутизъм and so on.
201
600000
2000
удар, аутизъм и така нататък.
10:27
That's one bigголям projectпроект.
202
602000
2000
Това е един голям проект.
10:29
There's a secondвтори bigголям projectпроект,
203
604000
2000
Има втори голям проект,
10:31
recentlyнаскоро fundedобезпечена by the WellcomeWellcome TrustДоверие in this countryдържава,
204
606000
2000
наскоро финансиран от тръста "Уелкъм" в тази страна,
10:33
involvingс участието на very largeголям studiesпроучвания --
205
608000
2000
включващ много големи проучвания...
10:35
thousandsхиляди of individualsиндивиди, with eachвсеки of eightосем differentразличен diseasesзаболявания,
206
610000
3000
хиляди индивиди, с всяко от осем различни заболявания,
10:38
commonчесто срещани diseasesзаболявания like type-Тип-1 and type-Тип-2 diabetesдиабет, and coronaryкоронарен heartсърце diseaseболест,
207
613000
4000
често срещани заболявания като диабет тип 1 и 2, и коронарно сърдечно заболяване,
10:42
bipolarдвуполюсен diseaseболест and so on -- to try and understandразбирам the geneticsгенетика.
208
617000
4000
биполярно разстройство и така нататък... в опит да се разбере генетиката.
10:46
To try and understandразбирам what it is about geneticгенетичен differencesразлики that causesкаузи the diseasesзаболявания.
209
621000
3000
В опит да се разбере какво в генетичните различия причинява заболяванията.
10:49
Why do we want to do that?
210
624000
2000
А защо искаме да правим това?
10:51
Because we understandразбирам very little about mostнай-много humanчовек diseasesзаболявания.
211
626000
3000
Защото разбираме много малко за повечето човешки болести.
10:54
We don't know what causesкаузи them.
212
629000
2000
Не знаем какво ги причинява.
10:56
And if we can get in at the bottomдъно and understandразбирам the geneticsгенетика,
213
631000
2000
А ако можем да схванем основата и да разберем генетиката,
10:58
we'llдобре have a windowпрозорец on the way the diseaseболест worksвърши работа,
214
633000
3000
ще имаме прозорец към начина, по който действа заболяването.
11:01
and a wholeцяло newнов way about thinkingмислене about diseaseболест therapiesтерапии
215
636000
2000
И цял нов начин на мислене за терапии на заболявания,
11:03
and preventativeпрофилактичен treatmentлечение and so on.
216
638000
3000
превантивно лечение и така нататък.
11:06
So that's, as I said, the little diversionотклоняване on my mainосновен love.
217
641000
3000
Това, както казах, е малкото отклонение от основната ми любов.
11:09
Back to some of the more mundaneземен issuesвъпроси of thinkingмислене about uncertaintyнесигурност.
218
644000
5000
Да се върнем към някои по-досадни въпроси за мисленето за несигурността.
11:14
Here'sТук е anotherоще quizвикторина for you --
219
649000
2000
Ето друга загадка за вас -
11:16
now supposeпредполагам we'veние имаме got a testтест for a diseaseболест
220
651000
2000
да предположим, че имаме тест за болест,
11:18
whichкойто isn't infallibleнепогрешим, but it's prettyкрасива good.
221
653000
2000
който не е безотказен, но е доста добър.
11:20
It getsполучава it right 99 percentна сто of the time.
222
655000
3000
Резултатите са точни в 99 процента от случаите.
11:23
And I take one of you, or I take someoneнякой off the streetулица,
223
658000
3000
Ще направя тест на вас, или ще взема някого от улицата
11:26
and I testтест them for the diseaseболест in questionвъпрос.
224
661000
2000
и ще го тествам за въпросната болест.
11:28
Let's supposeпредполагам there's a testтест for HIVХИВ -- the virusвирус that causesкаузи AIDSСПИН --
225
663000
4000
Да предположим, че има тест за ХИВ... вирусът, който причинява СПИН...
11:32
and the testтест saysказва the personчовек has the diseaseболест.
226
667000
3000
и според вируса лицето има болестта.
11:35
What's the chanceшанс that they do?
227
670000
3000
Каква е вероятността да е така?
11:38
The testтест getsполучава it right 99 percentна сто of the time.
228
673000
2000
Тестът е точен в 99 процента от случаите.
11:40
So a naturalестествен answerотговор is 99 percentна сто.
229
675000
4000
Значи, естествен отговор е 99 процента.
11:44
Who likesхаресвания that answerотговор?
230
679000
2000
На кого му харесва този отговор?
11:46
Come on -- everyone'sвсички са got to get involvedучастващи.
231
681000
1000
Хайде... всички трябва да се включат.
11:47
Don't think you don't trustДоверие me anymoreвече.
232
682000
2000
Не мисля, че вече не ми вярвате.
11:49
(LaughterСмях)
233
684000
1000
(Смях)
11:50
Well, you're right to be a bitмалко skepticalскептичен, because that's not the answerотговор.
234
685000
3000
Е, прави сте да сте малко скептични, защото това не е отговорът.
11:53
That's what you mightбиха могли, може think.
235
688000
2000
Това може да си помислите.
11:55
It's not the answerотговор, and it's not because it's only partчаст of the storyистория.
236
690000
3000
Не е отговорът, и не защото е само част от историята.
11:58
It actuallyвсъщност dependsЗависи on how commonчесто срещани or how rareрядък the diseaseболест is.
237
693000
3000
Всъщност зависи от това доколко често срещана или колко рядка е болестта.
12:01
So let me try and illustrateилюстрирам that.
238
696000
2000
Да се опитам да го илюстрирам.
12:03
Here'sТук е a little caricatureкарикатура of a millionмилион individualsиндивиди.
239
698000
4000
Ето една малка карикатура на един милион индивида.
12:07
So let's think about a diseaseболест that affectsзасяга --
240
702000
3000
Да мислим за болестта, която засяга...
12:10
it's prettyкрасива rareрядък, it affectsзасяга one personчовек in 10,000.
241
705000
2000
доста рядка е, засяга едно лице на 10 000.
12:12
AmongstСред these millionмилион individualsиндивиди, mostнай-много of them are healthyздрав
242
707000
3000
Сред тези милион индивиди, повечето от тях са здрави,
12:15
and some of them will have the diseaseболест.
243
710000
2000
а някои от тях ще имат болестта.
12:17
And in factфакт, if this is the prevalenceпреобладаване of the diseaseболест,
244
712000
3000
Всъщност, ако болестта е широко разпространена,
12:20
about 100 will have the diseaseболест and the restПочивка won'tняма да.
245
715000
3000
около 100 ще имат болестта, а останалите не.
12:23
So now supposeпредполагам we testтест them all.
246
718000
2000
Да предположим, че направим тестове на всички тях.
12:25
What happensслучва се?
247
720000
2000
Какво се случва?
12:27
Well, amongstсред the 100 who do have the diseaseболест,
248
722000
2000
Е, сред стоте, които имат болестта,
12:29
the testтест will get it right 99 percentна сто of the time, and 99 will testтест positiveположителен.
249
724000
5000
тестът ще даде точни резултати в 99 от случаите, и 99 ще имат позитивен тест.
12:34
AmongstСред all these other people who don't have the diseaseболест,
250
729000
2000
Сред всички тези други хора, които нямат болестта,
12:36
the testтест will get it right 99 percentна сто of the time.
251
731000
3000
тестът ще е верен в 99 процента от случаите.
12:39
It'llТя ще only get it wrongпогрешно one percentна сто of the time.
252
734000
2000
Ще бъде погрешен само в един процент от случаите.
12:41
But there are so manyмного of them that there'llтам ще be an enormousогромен numberномер of falseфалшив positivesпозитиви.
253
736000
4000
Но те са толкова много, че ще има огромен брой грешни позитивни резултати.
12:45
Put that anotherоще way --
254
740000
2000
Да го кажем по друг начин...
12:47
of all of them who testтест positiveположителен -- so here they are, the individualsиндивиди involvedучастващи --
255
742000
5000
от всички тях, които имат позитивен тест... ето ги, включените индивиди...
12:52
lessпо-малко than one in 100 actuallyвсъщност have the diseaseболест.
256
747000
5000
повече от един на 100 наистина има болестта.
12:57
So even thoughвъпреки че we think the testтест is accurateточен, the importantважно partчаст of the storyистория is
257
752000
4000
Така че, макар и да мислим, че тестът е точен, важната част от историята е,
13:01
there's anotherоще bitмалко of informationинформация we need.
258
756000
3000
че ни трябва друга частица информация.
13:04
Here'sТук е the keyключ intuitionинтуиция.
259
759000
2000
Ето я ключовата интуиция.
13:07
What we have to do, onceведнъж we know the testтест is positiveположителен,
260
762000
3000
Това, което трябва да направим, щом веднъж знаем, че тестът е позитивен,
13:10
is to weighтежа up the plausibilityправдоподобност, or the likelihoodвероятност, of two competingконкуриращи explanationsобяснения.
261
765000
6000
е да претеглим правдоподобността, или възможността за две конкурентни обяснения.
13:16
EachВсеки of those explanationsобяснения has a likelyвероятно bitмалко and an unlikelyмалко вероятно bitмалко.
262
771000
3000
Всяко от тези обяснения има вероятна част и невероятна част.
13:19
One explanationобяснение is that the personчовек doesn't have the diseaseболест --
263
774000
3000
Едно обяснение е, че лицето няма болестта...
13:22
that's overwhelminglyпоразително likelyвероятно, if you pickизбирам someoneнякой at randomслучаен --
264
777000
3000
това е непреодолимо вероятно, ако се избере случаен човек...
13:25
but the testтест getsполучава it wrongпогрешно, whichкойто is unlikelyмалко вероятно.
265
780000
3000
но тестът е погрешен, което е невероятно.
13:29
The other explanationобяснение is that the personчовек does have the diseaseболест -- that's unlikelyмалко вероятно --
266
784000
3000
Другото обяснение е, че лицето наистина има болестта... това е невероятно...
13:32
but the testтест getsполучава it right, whichкойто is likelyвероятно.
267
787000
3000
но тестът е правилен, което е вероятно.
13:35
And the numberномер we endкрай up with --
268
790000
2000
И числото, което се получава в крайна сметка...
13:37
that numberномер whichкойто is a little bitмалко lessпо-малко than one in 100 --
269
792000
3000
това число, което е малко по-малко от едно на сто...
13:40
is to do with how likelyвероятно one of those explanationsобяснения is relativeотносителен to the other.
270
795000
6000
е свързано с това колко вероятно е едното от тези обяснения по отношение на другото.
13:46
EachВсеки of them takenвзета togetherзаедно is unlikelyмалко вероятно.
271
801000
2000
Всяко от тях, взети заедно, е невероятно.
13:49
Here'sТук е a more topicalлокален exampleпример of exactlyточно the sameедин и същ thing.
272
804000
3000
Ето един по-уместен пример за точно същото нещо.
13:52
Those of you in BritainВеликобритания will know about what's becomeда стане ratherпо-скоро a celebratedзнаменит caseслучай
273
807000
4000
Онези от вас, които са в Британия, ще знаят за един доста прословут случай
13:56
of a womanжена calledНаречен SallyСали ClarkКларк, who had two babiesбебета who diedпочинал suddenlyвнезапно.
274
811000
5000
с жена на име Сали Кларк, която имала две бебета, починали внезапно.
14:01
And initiallyпървоначално, it was thought that they diedпочинал of what's knownизвестен informallyнеофициално as "cotкошара deathсмърт,"
275
816000
4000
Първоначално се смятало, че са починали от това, известно неформално като "смърт в креватче",
14:05
and more formallyофициално as "SuddenВнезапно InfantБебе DeathСмърт SyndromeСиндром."
276
820000
3000
а по-официално като Синдром на внезапна детска смъртност.
14:08
For variousразлични reasonsпричини, she was laterпо късно chargedзаредена with murderубийство.
277
823000
2000
По различни причини, след това била обвинена в убийство.
14:10
And at the trialпробен период, her trialпробен период, a very distinguishedизтъкнат pediatricianпедиатър gaveдадох evidenceдоказателства
278
825000
4000
А на процеса, нейния процес, един много изтъкнат педиатър представил догазателства,
14:14
that the chanceшанс of two cotкошара deathsсмъртни случаи, innocentневинен deathsсмъртни случаи, in a familyсемейство like hersнеин --
279
829000
5000
че шансът от два смъртни случая в креватчето, невинни смъртни случаи, в семейство като нейното...
14:19
whichкойто was professionalпрофесионален and non-smokingЗа непушачи -- was one in 73 millionмилион.
280
834000
6000
професионалисти и непушачи... е едно на 73 милиона.
14:26
To cutразрез a long storyистория shortнисък, she was convictedосъден at the time.
281
841000
3000
Накратко, на времето била осъдена.
14:29
LaterПо-късно, and fairlyсравнително recentlyнаскоро, acquittedоправдан on appealобжалване -- in factфакт, on the secondвтори appealобжалване.
282
844000
5000
По-късно, и доста наскоро, оправдана при обжалване... всъщност, при второ обжалване.
14:34
And just to setкомплект it in contextконтекст, you can imagineПредставете си how awfulужасен it is for someoneнякой
283
849000
4000
И просто за да го поставя в контекста - може да си представите колко е ужасно
14:38
to have lostзагубен one childдете, and then two, if they're innocentневинен,
284
853000
3000
за човек да изгуби едно дете, а после две, ако е невинен,
14:41
to be convictedосъден of murderingубийство them.
285
856000
2000
да бъде осъден за убийството им.
14:43
To be put throughпрез the stressстрес of the trialпробен период, convictedосъден of murderingубийство them --
286
858000
2000
Да преживее стреса от процеса, обвинен в убийството им...
14:45
and to spendхарча time in a women'sженски prisonзатвор, where all the other prisonersзатворници
287
860000
3000
и да излежава присъда в женски затвор, където всички други затворнички
14:48
think you killedубит your childrenдеца -- is a really awfulужасен thing to happenстава to someoneнякой.
288
863000
5000
мислят, че си убила децата си... наистина е ужасно да ти се случи такова нещо.
14:53
And it happenedсе случи in largeголям partчаст here because the expertексперт got the statisticsстатистика
289
868000
5000
А се е случило до голяма степен, тъй като експертът ужасно
14:58
horriblyужасно wrongпогрешно, in two differentразличен waysначини.
290
873000
3000
е объркал статистиката, по два различни начина.
15:01
So where did he get the one in 73 millionмилион numberномер?
291
876000
4000
Откъде е взел числото едно на 73 милиона?
15:05
He lookedпогледнах at some researchизследване, whichкойто said the chanceшанс of one cotкошара deathсмърт in a familyсемейство
292
880000
3000
Погледнал някакви изследвания, според които вероятността от една смърт в креватче на семейство
15:08
like SallyСали Clark'sКларк is about one in 8,500.
293
883000
5000
като това на Сали Кларк е около едно на осем хиляди и половина.
15:13
So he said, "I'll assumeпредполагам that if you have one cotкошара deathсмърт in a familyсемейство,
294
888000
4000
Затова си казал: "Ще предположа, че ако в едно семейство има една внезапна детска смърт,
15:17
the chanceшанс of a secondвтори childдете dyingумиращ from cotкошара deathсмърт aren'tне са changedпроменен."
295
892000
4000
вероятността второ дете да умре от смърт в креватче не се е променила."
15:21
So that's what statisticiansстатистици would call an assumptionпредположение of independenceнезависимост.
296
896000
3000
Това статистиците биха нарекли независимо допускане.
15:24
It's like sayingпоговорка, "If you tossхвърляне на чоп a coinмонета and get a headглава the first time,
297
899000
2000
Все едно да кажеш: "Ако подхвърлиш монета и се падне ези първия път,
15:26
that won'tняма да affectзасегне the chanceшанс of gettingполучаване на a headглава the secondвтори time."
298
901000
3000
това няма да засегне вероятността да се падне ези втория път."
15:29
So if you tossхвърляне на чоп a coinмонета twiceдва пъти, the chanceшанс of gettingполучаване на a headглава twiceдва пъти are a halfнаполовина --
299
904000
5000
Значи, ако хвърлиш монета два пъти, вероятността да се падне ези два пъти е наполовина...
15:34
that's the chanceшанс the first time -- timesпъти a halfнаполовина -- the chanceшанс a secondвтори time.
300
909000
3000
това е вероятността първия път... половин път... от вероятността втория път.
15:37
So he said, "Here,
301
912000
2000
А той казал: "Да допуснем...
15:39
I'll assumeпредполагам that these eventsсъбития are independentнезависим.
302
914000
4000
ще допусна, че тези събития са независими.
15:43
When you multiplyумножавам 8,500 togetherзаедно twiceдва пъти,
303
918000
2000
Като се умножи осем хиляди и половина на квадрат,
15:45
you get about 73 millionмилион."
304
920000
2000
се получават около 73 милиона."
15:47
And noneнито един of this was statedпосочен to the courtсъдебна зала as an assumptionпредположение
305
922000
2000
И никаква част от това не била заявена пред съда като допускане
15:49
or presentedпредставено to the juryжури that way.
306
924000
2000
или представена пред съдебните заседатели по този начин.
15:52
UnfortunatelyЗа съжаление here -- and, really, regrettablyза съжаление --
307
927000
3000
За съжаление, тук... наистина за съжаление...
15:55
first of all, in a situationситуация like this you'dти можеш have to verifyпровери it empiricallyемпирично.
308
930000
4000
първо, в такава ситуация ще трябва да се удостовери емпирично.
15:59
And secondlyна второ място, it's palpablyосезаемо falseфалшив.
309
934000
2000
И второ, осезаемо е погрешно.
16:02
There are lots and lots of things that we don't know about suddenвнезапен infantбебе deathsсмъртни случаи.
310
937000
5000
Има много неща, които не знаем за внезапната детска смъртност.
16:07
It mightбиха могли, може well be that there are environmentalна околната среда factorsфактори that we're not awareосведомен of,
311
942000
3000
Спокойно може да се окаже, че има фактори в околната среда, с които не сме наясно,
16:10
and it's prettyкрасива likelyвероятно to be the caseслучай that there are
312
945000
2000
и е доста вероятно случаят да е такъв, че да има
16:12
geneticгенетичен factorsфактори we're not awareосведомен of.
313
947000
2000
генетични фактори, с които не сме наясно.
16:14
So if a familyсемейство suffersстрада from one cotкошара deathсмърт, you'dти можеш put them in a high-riskвисок риск groupгрупа.
314
949000
3000
Затова, ако едно семейство пострада от една смърт в креватчено, те биха били поставени във високорискова група.
16:17
They'veТе сте probablyвероятно got these environmentalна околната среда riskриск factorsфактори
315
952000
2000
Вероятно имат тези рискови фактори в околната среда
16:19
and/or geneticгенетичен riskриск factorsфактори we don't know about.
316
954000
3000
и/или генетични рискови фактори, които не са ни известни.
16:22
And to argueспоря, then, that the chanceшанс of a secondвтори deathсмърт is as if you didn't know
317
957000
3000
И тогава, да се твърди, че вероятността от втори смъртен случай е,
16:25
that informationинформация is really sillyглупав.
318
960000
3000
все едно не знаеш тази информация, е наистина глупаво.
16:28
It's worseпо-лошо than sillyглупав -- it's really badлошо scienceнаука.
319
963000
4000
По-лошо е от глупаво... извънредно лоша наука.
16:32
NonethelessВъпреки това, that's how it was presentedпредставено, and at trialпробен период nobodyНикой even arguedтвърди, it.
320
967000
5000
Въпреки всичко така било представено, и на процеса никой дори не го оспорил.
16:37
That's the first problemпроблем.
321
972000
2000
Това е първият проблем.
16:39
The secondвтори problemпроблем is, what does the numberномер of one in 73 millionмилион mean?
322
974000
4000
Вторият проблем е - какво означава числото едно на 73 милиона?
16:43
So after SallyСали ClarkКларк was convictedосъден --
323
978000
2000
След като Сали Кларк беше осъдена...
16:45
you can imagineПредставете си, it madeизработен ratherпо-скоро a splashплисък in the pressНатиснете --
324
980000
4000
можете да си представите какъв бум предизвика това в пресата...
16:49
one of the journalistsжурналисти from one of Britain'sНа Великобритания more reputableпочтен newspapersвестници wroteнаписах that
325
984000
7000
един от журналистите от един от по-почтените вестници в Британия писа,
16:56
what the expertексперт had said was,
326
991000
2000
че казаното от експертите е било:
16:58
"The chanceшанс that she was innocentневинен was one in 73 millionмилион."
327
993000
5000
"Вероятността тя да е невинна е бил едно на 73 милиона."
17:03
Now, that's a logicalлогичен errorгрешка.
328
998000
2000
Това е логическа грешка.
17:05
It's exactlyточно the sameедин и същ logicalлогичен errorгрешка as the logicalлогичен errorгрешка of thinkingмислене that
329
1000000
3000
Точно същата логическа грешка, като логическата грешка да се мисли,
17:08
after the diseaseболест testтест, whichкойто is 99 percentна сто accurateточен,
330
1003000
2000
че след теста за болестта, който е с точност 99 процента,
17:10
the chanceшанс of havingкато the diseaseболест is 99 percentна сто.
331
1005000
4000
вероятността да имаш болестта е 99 процента.
17:14
In the diseaseболест exampleпример, we had to bearмечка in mindум two things,
332
1009000
4000
В примера с болестта трябва да имам епредвид две неща,
17:18
one of whichкойто was the possibilityвъзможност that the testтест got it right or not.
333
1013000
4000
едното от които е възможността тестът да е правилен, или не.
17:22
And the other one was the chanceшанс, a prioriаприори, that the personчовек had the diseaseболест or not.
334
1017000
4000
А другото е вероятността, априори, лицето да има болестта, или не.
17:26
It's exactlyточно the sameедин и същ in this contextконтекст.
335
1021000
3000
Точно същото е в този контекст.
17:29
There are two things involvedучастващи -- two partsчасти to the explanationобяснение.
336
1024000
4000
Включени са две неща... обяснението има две неща.
17:33
We want to know how likelyвероятно, or relativelyотносително how likelyвероятно, two differentразличен explanationsобяснения are.
337
1028000
4000
Искаме да разберем колко вероятни, или относително колко вероятни, са две различни обяснения.
17:37
One of them is that SallyСали ClarkКларк was innocentневинен --
338
1032000
3000
Едното от тях е, че Сали Кларк е била невинна...
17:40
whichкойто is, a prioriаприори, overwhelminglyпоразително likelyвероятно --
339
1035000
2000
което е, априори, поразително вероятно...
17:42
mostнай-много mothersмайки don't killубивам theirтехен childrenдеца.
340
1037000
3000
повечето майки не убиват децата си.
17:45
And the secondвтори partчаст of the explanationобяснение
341
1040000
2000
А втората част от обяснението
17:47
is that she sufferedпострадал an incrediblyневероятно unlikelyмалко вероятно eventсъбитие.
342
1042000
3000
е, че тя е пострадала от изключително невероятно събитие.
17:50
Not as unlikelyмалко вероятно as one in 73 millionмилион, but nonethelessвъпреки това ratherпо-скоро unlikelyмалко вероятно.
343
1045000
4000
Не чак толкова невероятно като едно на 73 милиона, но въпреки това доста невероятно.
17:54
The other explanationобяснение is that she was guiltyвиновен.
344
1049000
2000
Другото обяснение е, че е била виновна.
17:56
Now, we probablyвероятно think a prioriаприори that's unlikelyмалко вероятно.
345
1051000
2000
Вероятно мислим априори, че това е невероятно.
17:58
And we certainlyразбира се should think in the contextконтекст of a criminalпрестъпник trialпробен период
346
1053000
3000
И сигурно трябва да мислим в контекста на един криминален процес,
18:01
that that's unlikelyмалко вероятно, because of the presumptionпрезумпция of innocenceневинност.
347
1056000
3000
че това е невероятно, заради презумпцията за невинност.
18:04
And then if she were tryingопитвайки to killубивам the childrenдеца, she succeededуспели.
348
1059000
4000
И тогава, ако се е опитвала да убие децата, е успяла.
18:08
So the chanceшанс that she's innocentневинен isn't one in 73 millionмилион.
349
1063000
4000
Така че вероятността да е невинна не е едно на 73 милиона.
18:12
We don't know what it is.
350
1067000
2000
Не знаем каква е.
18:14
It has to do with weighingпретегляне up the strengthсила of the other evidenceдоказателства againstсрещу her
351
1069000
4000
Свързана е с претегляне силата на другите доказателства срещу нея
18:18
and the statisticalстатистически evidenceдоказателства.
352
1073000
2000
и статистическите доказателства.
18:20
We know the childrenдеца diedпочинал.
353
1075000
2000
Знаем, че децата са починали.
18:22
What mattersвъпроси is how likelyвероятно or unlikelyмалко вероятно, relativeотносителен to eachвсеки other,
354
1077000
4000
Важното е колко вероятни или невероятни, едно спрямо друго
18:26
the two explanationsобяснения are.
355
1081000
2000
са двете обяснения.
18:28
And they're bothи двете implausibleнеправдоподобен.
356
1083000
2000
И двете са неприемливи.
18:31
There's a situationситуация where errorsгрешки in statisticsстатистика had really profoundдълбок
357
1086000
4000
Ето една ситуация, когато грешки в статистиката са имали много дълбоки
18:35
and really unfortunateнещастен consequencesпоследствия.
358
1090000
3000
и наистина злочести последици.
18:38
In factфакт, there are two other womenДами who were convictedосъден on the basisоснова of the
359
1093000
2000
Всъщност има две други жени, осъдени въз основа
18:40
evidenceдоказателства of this pediatricianпедиатър, who have subsequentlyвпоследствие been releasedосвободен on appealобжалване.
360
1095000
4000
на доказателствата на този педиатър, впоследствие освободени при обжалване.
18:44
ManyМного casesслучаи were reviewedпреразглежда.
361
1099000
2000
Много случаи били преразгледани.
18:46
And it's particularlyособено topicalлокален because he's currentlyпонастоящем facingизправени пред a disreputeлоша репутация chargeзареждане
362
1101000
4000
И е особено актуално, защото той понастоящем е обвинен в дискредитиране
18:50
at Britain'sНа Великобритания GeneralОбщи MedicalМедицински CouncilСъвет.
363
1105000
3000
пред Британския генерален медицински съвет.
18:53
So just to concludeсключва -- what are the take-homeотнеме дома messagesсъобщения from this?
364
1108000
4000
И така, в заключение... какви послания остават от това?
18:57
Well, we know that randomnessслучайност and uncertaintyнесигурност and chanceшанс
365
1112000
4000
Знаем, че произволността, несигурността и вероятността
19:01
are very much a partчаст of our everydayвсеки ден life.
366
1116000
3000
до голяма степен са част от ежедневния ни живот.
19:04
It's alsoсъщо trueвярно -- and, althoughмакар че, you, as a collectiveколективен, are very specialспециален in manyмного waysначини,
367
1119000
5000
Вярно е също... и макар че вие, като цяло, сте много специални в известни отношения,
19:09
you're completelyнапълно typicalтипичен in not gettingполучаване на the examplesпримери I gaveдадох right.
368
1124000
4000
сте напълно типични в това, че не разбирате правилно примерите, които дадох.
19:13
It's very well documentedдокументирано that people get things wrongпогрешно.
369
1128000
3000
Много добре е документирано, че хората разбират нещата погрешно.
19:16
They make errorsгрешки of logicлогика in reasoningобосновавам се with uncertaintyнесигурност.
370
1131000
3000
Правят логически грешки при разсъждения с несигурност.
19:20
We can copeсправи with the subtletiesтънкости of languageезик brilliantlyбрилянтно --
371
1135000
2000
Можем да се справяме блестящо с неуловимостите на езика...
19:22
and there are interestingинтересен evolutionaryеволюционен questionsвъпроси about how we got here.
372
1137000
3000
и има интересни еволюционни въпроси как сме стигнали дотам.
19:25
We are not good at reasoningобосновавам се with uncertaintyнесигурност.
373
1140000
3000
Не сме добри при разсъждения с несигурност.
19:28
That's an issueпроблем in our everydayвсеки ден livesживота.
374
1143000
2000
Това е проблем в ежедневния ни живот.
19:30
As you've heardчух from manyмного of the talksпреговори, statisticsстатистика underpinsе в основата на an enormousогромен amountколичество
375
1145000
3000
Както сте чули от много от разговорите, статистиката подкрепя огромна част
19:33
of researchизследване in scienceнаука -- in socialсоциален scienceнаука, in medicineмедицина
376
1148000
3000
от изследванията в науката - в социологията, в медицината,
19:36
and indeedнаистина, quiteсъвсем a lot of industryпромишленост.
377
1151000
2000
както и всъщност в доста голяма част от индустрията.
19:38
All of qualityкачество controlконтрол, whichкойто has had a majorголям impactвъздействие on industrialиндустриален processingобработване,
378
1153000
4000
Целият качествен контрол, който е имал огромен ефект върху индустриалното производство,
19:42
is underpinnedподкрепени by statisticsстатистика.
379
1157000
2000
е подкрепен от статистика.
19:44
It's something we're badлошо at doing.
380
1159000
2000
Нещо, с което се справяме зле.
19:46
At the very leastнай-малко, we should recognizeпризнавам that, and we tendсклонен not to.
381
1161000
3000
Най-малкото трябва да признаем това, а ние сме склонни да не го признаваме.
19:49
To go back to the legalправен contextконтекст, at the SallyСали ClarkКларк trialпробен период
382
1164000
4000
За да се върнем към законовия контекст, на процеса на Сали Кларк
19:53
all of the lawyersадвокати just acceptedобщоприет what the expertексперт said.
383
1168000
4000
всички адвокати просто приели казаното от експерта.
19:57
So if a pediatricianпедиатър had come out and said to a juryжури,
384
1172000
2000
Ако един педиатър беше дошъл и бе заявил пред съдебните заседатели:
19:59
"I know how to buildпострои bridgesмостове. I've builtпостроен one down the roadпът.
385
1174000
3000
"Знам как се строят мостове. Построил съм един надолу по пътя.
20:02
Please driveпът your carкола home over it,"
386
1177000
2000
Моля ви, минете с колата оттам на път за вкъщи",
20:04
they would have said, "Well, pediatriciansпедиатри don't know how to buildпострои bridgesмостове.
387
1179000
2000
те биха казали: "Ама педиатрите не знаят как да строят мостове.
20:06
That's what engineersинженери do."
388
1181000
2000
Това е работа на инженерите."
20:08
On the other handръка, he cameдойде out and effectivelyефективно said, or impliedкосвен,
389
1183000
3000
От друга страна, той излязъл и казал, или загатнал:
20:11
"I know how to reasonпричина with uncertaintyнесигурност. I know how to do statisticsстатистика."
390
1186000
3000
"Знам как да разсъждавам с несигурност. Знам как се прави статистика."
20:14
And everyoneвсеки said, "Well, that's fine. He's an expertексперт."
391
1189000
3000
И всички отвърнали: "Ами, добре. Той е експерт."
20:17
So we need to understandразбирам where our competenceкомпетентност is and isn't.
392
1192000
3000
Затова трябва да разберем къде е компетентността ни и къде я няма.
20:20
ExactlyТочно the sameедин и същ kindsвидове of issuesвъпроси aroseвъзникнало in the earlyрано daysдни of DNAДНК profilingпрофилиране,
393
1195000
4000
Точно същият вид въпроси възникваха в ранните дни на ДНК профилирането,
20:24
when scientistsучени, and lawyersадвокати and in some casesслучаи judgesсъдии,
394
1199000
4000
когато учени, адвокати и в някои случаи съдии,
20:28
routinelyрутинно misrepresentedизопачила evidenceдоказателства.
395
1203000
3000
рутинно представяха погрешно доказателства.
20:32
UsuallyОбикновено -- one hopesнадежди -- innocentlyневинно, but misrepresentedизопачила evidenceдоказателства.
396
1207000
3000
Обикновено... човек се надява... невинно, но погрешно представени доказателства.
20:35
ForensicСъдебна scientistsучени said, "The chanceшанс that this guy'sГай innocentневинен is one in threeтри millionмилион."
397
1210000
5000
Според съдебни учени: "Вероятността този човек да е невинен е едно на три милиона.
20:40
Even if you believe the numberномер, just like the 73 millionмилион to one,
398
1215000
2000
Дори ако вярвате в числото, както и в 73 милиона към едно,
20:42
that's not what it meantозначаваше.
399
1217000
2000
не това означава то.
20:44
And there have been celebratedзнаменит appealобжалване casesслучаи
400
1219000
2000
Заради това е имало прочути случаи
20:46
in BritainВеликобритания and elsewhereдругаде because of that.
401
1221000
2000
с обжалване в Британия и другаде.
20:48
And just to finishзавършек in the contextконтекст of the legalправен systemсистема.
402
1223000
3000
И, просто за да завършим в контекста на законовата система
20:51
It's all very well to say, "Let's do our bestнай-доброто to presentнастояще the evidenceдоказателства."
403
1226000
4000
Много е добре да се казва: "Да направим всичко възможно, за да представим доказателствата".
20:55
But more and more, in casesслучаи of DNAДНК profilingпрофилиране -- this is anotherоще one --
404
1230000
3000
Но все повече и повече, в случаи на ДНК профилиране... още едно...
20:58
we expectочаквам juriesжурита, who are ordinaryобикновен people --
405
1233000
3000
очакваме съдебните заседатели, които са обикновени хора...
21:01
and it's documentedдокументирано they're very badлошо at this --
406
1236000
2000
и е документирано, че се справят много зле с това...
21:03
we expectочаквам juriesжурита to be ableспособен to copeсправи with the sortsвидове of reasoningобосновавам се that goesотива on.
407
1238000
4000
очакваме съдебните заседатели да успяват да се справят с типа разсъждения, които се случват.
21:07
In other spheresсфери of life, if people arguedтвърди, -- well, exceptс изключение possiblyвъзможно for politicsполитика --
408
1242000
5000
В други сфери от живота, ако хората спорят... е, освен вероятно за политиците.
21:12
but in other spheresсфери of life, if people arguedтвърди, illogicallyнелогично,
409
1247000
2000
Но в други сфери от живота, ако хората спорят нелогично,
21:14
we'dние искаме say that's not a good thing.
410
1249000
2000
бихме казали, че това не е добре.
21:16
We sortвид of expectочаквам it of politiciansполитици and don't hopeнадявам се for much more.
411
1251000
4000
Някак си го очакваме от политиците и не се надяваме на много повече.
21:20
In the caseслучай of uncertaintyнесигурност, we get it wrongпогрешно all the time --
412
1255000
3000
В случай на несигурност, объркваме се постоянно...
21:23
and at the very leastнай-малко, we should be awareосведомен of that,
413
1258000
2000
и най-малкото, трябва да сме наясно с това.
21:25
and ideallyидеално, we mightбиха могли, може try and do something about it.
414
1260000
2000
А в идеалния случай, може да опитаме да направим нещо по въпроса.
21:27
ThanksБлагодаря very much.
415
1262000
1000
Много благодаря.
Translated by MaYoMo com
Reviewed by Anton Hikov

▲Back to top

ABOUT THE SPEAKER
Peter Donnelly - Mathematician; statistician
Peter Donnelly is an expert in probability theory who applies statistical methods to genetic data -- spurring advances in disease treatment and insight on our evolution. He's also an expert on DNA analysis, and an advocate for sensible statistical analysis in the courtroom.

Why you should listen

Peter Donnelly applies statistical methods to real-world problems, ranging from DNA analysis (for criminal trials), to the treatment of genetic disorders. A mathematician who collaborates with biologists, he specializes in applying probability and statistics to the field of genetics, in hopes of shedding light on evolutionary history and the structure of the human genome.

The Australian-born, Oxford-based mathematician is best known for his work in molecular evolution (tracing the roots of human existence to their earliest origins using the mutation rates of mitochondrial DNA). He studies genetic distributions in living populations to trace human evolutionary history -- an approach that informs research in evolutionary biology, as well as medical treatment for genetic disorders. Donnelly is a key player in the International HapMap Project, an ongoing international effort to model human genetic variation and pinpoint the genes responsible for specific aspects of health and disease; its implications for disease prevention and treatment are vast.

He's also a leading expert on DNA analysis and the use of forensic science in criminal trials; he's an outspoken advocate for bringing sensible statistical analysis into the courtroom. Donnelly leads Oxford University's Mathematical Genetics Group, which conducts research in genetic modeling, human evolutionary history, and forensic DNA profiling. He is also serves as Director of the Wellcome Trust Centre for Human Genetics at Oxford University, which explores the genetic relationships to disease and illness. 

More profile about the speaker
Peter Donnelly | Speaker | TED.com