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

Peter Donnelly bemutatja, hogyan vezeti félre a statisztika az esküdtszéket

Filmed:
1,279,860 views

Peter Donnelly, az Oxford egyetem matematikusa bemutat néhány gyakori hibát, amit az emberek elkövetnek a statisztikai adatok értelmezésekor -- és hogy ez milyen katasztrofális hatással lehet egy büntetőjogi eljárás kimenetelére.
- 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 speakershangszórók have said, it's a ratherInkább dauntingijesztő experiencetapasztalat --
0
0
2000
Ahogy azt mások is elmondták, nagyon rémisztő --
00:27
a particularlykülönösen dauntingijesztő experiencetapasztalat -- to be speakingbeszélő in frontelülső of this audienceközönség.
1
2000
3000
kifejezetten rémisztő élmény -- ezelőtt a közönség előtt beszélni.
00:30
But unlikenem úgy mint the other speakershangszórók, I'm not going to tell you about
2
5000
3000
De más előadókkal ellentétben, én nem a világegyetem
00:33
the mysteriesrejtélyek of the universevilágegyetem, or the wonderscsodák of evolutionevolúció,
3
8000
2000
titkairól, az evolúció csodáiról fogok beszélni,
00:35
or the really cleverokos, innovativeújító waysmódokon people are attackingtámadó
4
10000
4000
vagy azokról az nagyon ügyes, újító módszerekről, amivel az emberek
00:39
the majorJelentősebb inequalitiesegyenlőtlenségek in our worldvilág.
5
14000
2000
küzdenek a világ nagy egyenlőtlenségei ellen.
00:41
Or even the challengeskihívások of nation-statesnemzetállamok in the modernmodern globalglobális economygazdaság.
6
16000
5000
Vagy a nemzetállamok előtt álló kihívásokról a modern globális gazdaságban.
00:46
My briefrövid, as you've just heardhallott, is to tell you about statisticsstatisztika --
7
21000
4000
A feladatom, ahogy hallották a bevezetőből, hogy a statisztikáról beszéljek --
00:50
and, to be more precisepontos, to tell you some excitingizgalmas things about statisticsstatisztika.
8
25000
3000
pontosabban, hogy valami izgalmasat mondjak a statisztikáról.
00:53
And that's --
9
28000
1000
És ez --
00:54
(LaughterNevetés)
10
29000
1000
(Nevetés)
00:55
-- that's ratherInkább more challengingkihívást jelentő
11
30000
2000
-- ez egy nagyobb kihívás,
00:57
than all the speakershangszórók before me and all the onesazok comingeljövetel after me.
12
32000
2000
mint az összes előttem és utánam felszólaló előadóé.
00:59
(LaughterNevetés)
13
34000
1000
(Nevetés)
01:01
One of my senioridősebb colleagueskollégák told me, when I was a youngsterifjú in this professionszakma,
14
36000
5000
Egy idősebb kollégám azt mondta nekem, még a pályám elején,
01:06
ratherInkább proudlybüszkén, that statisticiansstatisztikusok were people who likedtetszett figuresszámadatok
15
41000
4000
igazán büszkén, hogy a statisztikusok azok, akik szeretik a számokat,
01:10
but didn't have the personalityszemélyiség skillsszakértelem to becomeválik accountantskönyvelők.
16
45000
3000
de nincs elég érdekes személyiségük ahhoz, hogy könyvelők legyenek.
01:13
(LaughterNevetés)
17
48000
2000
(Nevetés)
01:15
And there's anotheregy másik in-jokein-vicc amongközött statisticiansstatisztikusok, and that's,
18
50000
3000
És van egy másik vicc statisztikusok között:
01:18
"How do you tell the introvertedbefelé forduló statisticianstatisztikus from the extrovertedextrovertált statisticianstatisztikus?"
19
53000
3000
"Mi a különbség az introvertált és az extrovertált statisztikus között?"
01:21
To whichmelyik the answerválasz is,
20
56000
2000
A válasz:
01:23
"The extrovertedextrovertált statistician'sstatisztikus the one who looksúgy néz ki, at the other person'sszemély shoescipő."
21
58000
5000
"Az extrovertált statisztikus az, aki a másik cipőjét nézi."
01:28
(LaughterNevetés)
22
63000
3000
(Nevetés)
01:31
But I want to tell you something usefulhasznos -- and here it is, so concentratesűrítmény now.
23
66000
5000
De el akarok mondani valami hasznosat -- ez az, úgyhogy figyeljenek.
01:36
This eveningeste, there's a receptionrecepció in the University'sEgyetem MuseumMúzeum of NaturalTermészetes HistoryTörténelem.
24
71000
3000
Ma este lesz egy fogadás az egyetem Természettudományi Múzeumában.
01:39
And it's a wonderfulcsodálatos settingbeállítás, as I hoperemény you'llazt is megtudhatod find,
25
74000
2000
Ez egy csodálatos környezet, remélem egyetértenek,
01:41
and a great iconikon to the bestlegjobb of the VictorianViktoriánus traditionhagyomány.
26
76000
5000
és egy kiemelkedő jelképe a Viktória korabeli hagyományok legjavának.
01:46
It's very unlikelyvalószínűtlen -- in this specialkülönleges settingbeállítás, and this collectionGyűjtemény of people --
27
81000
5000
Nem valószínű -- ebben a különleges környezetben, ilyen emberek között -- de előfordulhat,
01:51
but you mightesetleg just find yourselfsaját magad talkingbeszél to someonevalaki you'djobb lenne, ha ratherInkább wishszeretnék that you weren'tnem voltak.
28
86000
3000
hogy egy olyan emberrel beszélgetnek, akivel inkább nem beszélgetnének.
01:54
So here'sitt what you do.
29
89000
2000
Ez a teendő.
01:56
When they say to you, "What do you do?" -- you say, "I'm a statisticianstatisztikus."
30
91000
4000
Amikor azt kérdezik: "Mivel foglalkozik?" -- válaszolják azt, hogy "Statisztikus vagyok."
02:00
(LaughterNevetés)
31
95000
1000
(Nevetés)
02:01
Well, exceptkivéve they'veők már been pre-warnedelőre figyelmeztetett now, and they'llfognak know you're makinggyártás it up.
32
96000
4000
Persze most figyelmeztettem őket, és már tudni fogják, hogy csak kitalálták.
02:05
And then one of two things will happentörténik.
33
100000
2000
És akkor két dolog történhet.
02:07
They'llThey'll eitherbármelyik discoverfelfedez theirazok long-lostrég elveszett cousinunokatestvér in the other cornersarok of the roomszoba
34
102000
2000
Vagy megpillantják az unokatestvérüket a szoba másik végében,
02:09
and runfuss over and talk to them.
35
104000
2000
és elrohannak beszélni vele.
02:11
Or they'llfognak suddenlyhirtelen becomeválik parchedkiszáradt and/or hungryéhes -- and oftengyakran bothmindkét --
36
106000
3000
Vagy hirtelen éhesek vagy szomjasak lesznek -- gyakran mindkettő --
02:14
and sprintsprintel off for a drinkital and some foodélelmiszer.
37
109000
2000
és elszaladnak a büfé felé.
02:16
And you'llazt is megtudhatod be left in peacebéke to talk to the personszemély you really want to talk to.
38
111000
4000
És akkor végre nyugodtan beszélhetnek azzal, akivel igazán beszélni akarnak.
02:20
It's one of the challengeskihívások in our professionszakma to try and explainmegmagyarázni what we do.
39
115000
3000
A szakmánk egyik kihívása megmagyarázni, hogy mit csinálunk.
02:23
We're not topfelső on people'semberek listslisták for dinnervacsora partyparty guestsvendég and conversationsbeszélgetések and so on.
40
118000
5000
Nem hívnak meg gyakran vacsorákra vagy szeretnek velünk beszélgetni.
02:28
And it's something I've never really foundtalál a good way of doing.
41
123000
2000
És erre soha nem találtam igazán jó módszert.
02:30
But my wifefeleség -- who was then my girlfriendbarátnő --
42
125000
3000
De a feleségem -- aki akkor még a barátnőm volt --
02:33
managedsikerült it much better than I've ever been ableképes to.
43
128000
3000
ezt sokkal jobban kezelte, mint ahogy én.
02:36
ManySok yearsévek agoezelőtt, when we first startedindult going out, she was workingdolgozó for the BBCBBC in BritainNagy-Britannia,
44
131000
3000
Sok-sok évvel ezelőtt, amikor megismerkedtünk, ő a BBC-nek dolgozott Nagy-Britanniában,
02:39
and I was, at that stageszínpad, workingdolgozó in AmericaAmerikai.
45
134000
2000
és én akkoriban Amerikában dolgoztam.
02:41
I was comingeljövetel back to visitlátogatás her.
46
136000
2000
Visszajöttem meglátogatni.
02:43
She told this to one of her colleagueskollégák, who said, "Well, what does your boyfriendfiú barát do?"
47
138000
6000
Megemlítette az egyik kollégájának, aki megkérdezte: "És mivel foglalkozik a barátod?"
02:49
SarahSarah thought quiteegészen hardkemény about the things I'd explainedmagyarázható --
48
144000
2000
Sarah mélyen elgondolkozott azokon a dolgokon, amiket elmagyaráztam neki --
02:51
and she concentratedsűrített, in those daysnapok, on listeningkihallgatás.
49
146000
4000
akkoriban még a hallgatásra koncentrált.
02:55
(LaughterNevetés)
50
150000
2000
(Nevetés)
02:58
Don't tell her I said that.
51
153000
2000
Ne mondják el neki, hogy ezt mondtam.
03:00
And she was thinkinggondolkodás about the work I did developingfejlesztés mathematicalmatematikai modelsmodellek
52
155000
4000
És a munkámra gondolt, amiben matematikai modelleket dolgoztam ki
03:04
for understandingmegértés evolutionevolúció and modernmodern geneticsgenetika.
53
159000
3000
az evolúció és a modern genetika megértésére.
03:07
So when her colleaguekolléga said, "What does he do?"
54
162000
3000
Szóval a kollégája kérdésére: "Mivel foglalkozik?"
03:10
She pausedszüneteltetett and said, "He modelsmodellek things."
55
165000
4000
Elgondolkodott, és azt mondta: "Modellekkel."
03:14
(LaughterNevetés)
56
169000
1000
(Nevetés)
03:15
Well, her colleaguekolléga suddenlyhirtelen got much more interestedérdekelt than I had any right to expectelvár
57
170000
4000
Nos, a kollégája sokkal érdeklődőbb lett, mint ahogy az elvárható lett volna,
03:19
and wentment on and said, "What does he modelmodell?"
58
174000
3000
és tovább kérdezett, hogy "Milyen modellekkel?"
03:22
Well, SarahSarah thought a little bitbit more about my work and said, "GenesGének."
59
177000
3000
Sarah egy kicsit tovább gondolkodott a munkámról és azt mondta: "Genetikusokkal."
03:25
(LaughterNevetés)
60
180000
4000
(Nevetés)
03:29
"He modelsmodellek genesgének."
61
184000
2000
Genetikai modellek.
03:31
That is my first love, and that's what I'll tell you a little bitbit about.
62
186000
4000
Ez az első szerelmem, és erről szeretnék egy kicsit beszélni.
03:35
What I want to do more generallyáltalában is to get you thinkinggondolkodás about
63
190000
4000
Nagyobb vonalakban arról szeretném, hogy elkezdjenek gondolkodni,
03:39
the placehely of uncertaintybizonytalanság and randomnessvéletlenszerűség and chancevéletlen in our worldvilág,
64
194000
3000
hogy milyen szerepet játszik a bizonytalanság és a szerencse a világunkban,
03:42
and how we reactreagál to that, and how well we do or don't think about it.
65
197000
5000
hogy reagálunk rá, milyen jól vagy rosszul gondolkodunk róla.
03:47
So you've had a prettyszép easykönnyen time up tillamíg now --
66
202000
2000
Eddig könnyű dolguk volt --
03:49
a fewkevés laughsnevet, and all that kindkedves of thing -- in the talksbeszél to datedátum.
67
204000
2000
néhány vicc és hasonlók -- az eddigi előadásokkal.
03:51
You've got to think, and I'm going to askkérdez you some questionskérdések.
68
206000
3000
Most gondolkozniuk kell, és kérdéseket fogok feltenni.
03:54
So here'sitt the sceneszínhely for the first questionkérdés I'm going to askkérdez you.
69
209000
2000
Képzeljék el a következő helyzetet.
03:56
Can you imagineKépzeld el tossingfeldobás a coinérme successivelyegymás után?
70
211000
3000
El tudják képzelni, hogy egy érmét dobnak fel folyamatosan?
03:59
And for some reasonok -- whichmelyik shallköteles remainmarad ratherInkább vaguehomályos --
71
214000
3000
És valamilyen okból -- ami maradjon homályos --
04:02
we're interestedérdekelt in a particularkülönös patternminta.
72
217000
2000
egy bizonyos minta érdekel bennünket.
04:04
Here'sItt van one -- a headfej, followedmajd by a tailfarok, followedmajd by a tailfarok.
73
219000
3000
Itt van egy -- fej, utána írás, utána fej.
04:07
So supposetegyük fel we tossdobás a coinérme repeatedlytöbbször.
74
222000
3000
Tegyük fel, hogy folyamatosan dobjuk fel az érmét.
04:10
Then the patternminta, head-tail-tailfej-farok-farok, that we'vevoltunk suddenlyhirtelen becomeválik fixatedfixált with happensmegtörténik here.
75
225000
5000
És a minta, aminek hirtelen a megszállotjai lettünk, itt jelenik meg.
04:15
And you can countszámol: one, two, threehárom, fournégy, fiveöt, sixhat, sevenhét, eightnyolc, ninekilenc, 10 --
76
230000
4000
Meg lehet számolni: egy, kettő, három, négy, öt, hat, hét, nyolc, kilenc, 10 --
04:19
it happensmegtörténik after the 10thth tossdobás.
77
234000
2000
10 feldobás után jelenik meg.
04:21
So you mightesetleg think there are more interestingérdekes things to do, but humorhumor me for the momentpillanat.
78
236000
3000
Most gondolhatják, hogy vannak ennél érdekesebb dolgok is, de maradjanak velem egy pillanatra.
04:24
ImagineKépzeld el this halffél of the audienceközönség eachminden egyes get out coinsérmék, and they tossdobás them
79
239000
4000
Képzeljék el, hogy a közönségnek ez a fele mind kap egy érmét,
04:28
untilamíg they first see the patternminta head-tail-tailfej-farok-farok.
80
243000
3000
és addig dobálják, míg megjelenik a fej-írás-írás minta.
04:31
The first time they do it, maybe it happensmegtörténik after the 10thth tossdobás, as here.
81
246000
2000
Az első alkalommal mondjuk a 10. feldobás után történik meg, mint itt.
04:33
The secondmásodik time, maybe it's after the fourthnegyedik tossdobás.
82
248000
2000
Másodszorra talán a negyedik dobás után.
04:35
The nextkövetkező time, after the 15thth tossdobás.
83
250000
2000
Legközelebb a 15. dobás után.
04:37
So you do that lots and lots of timesalkalommal, and you averageátlagos those numbersszám.
84
252000
3000
Megcsináljuk ezt nagyon sokszor, és megnézzük a számok átlagát.
04:40
That's what I want this sideoldal to think about.
85
255000
3000
Ez az oldal gondolkodjon ezen.
04:43
The other halffél of the audienceközönség doesn't like head-tail-tailfej-farok-farok --
86
258000
2000
A közönség másik fele nem szereti a fej-írás-írást --
04:45
they think, for deepmély culturalkulturális reasonsokok, that's boringunalmas --
87
260000
3000
azt gondolják, mélyen gyökerező kulturális okokból, hogy ez unalmas --
04:48
and they're much more interestedérdekelt in a differentkülönböző patternminta -- head-tail-headfej-farok-head.
88
263000
3000
és sokkal jobban érdekli őket egy másik minta -- fej-írás-fej.
04:51
So, on this sideoldal, you get out your coinsérmék, and you tossdobás and tossdobás and tossdobás.
89
266000
3000
Szóval ez az oldal megkapja az érméit és folyamatosan dobálják.
04:54
And you countszámol the numberszám of timesalkalommal untilamíg the patternminta head-tail-headfej-farok-head appearsMegjelenik
90
269000
3000
És megszámolják hány dobás volt, mire megjelent a fej-írás-fej minta,
04:57
and you averageátlagos them. OK?
91
272000
3000
és megnézik az átlagát. Rendben?
05:00
So on this sideoldal, you've got a numberszám --
92
275000
2000
Szóval ezen az oldalon van egy számuk --
05:02
you've doneKész it lots of timesalkalommal, so you get it accuratelypontosan --
93
277000
2000
nagyon sokszor megcsinálták, ezért pontos --
05:04
whichmelyik is the averageátlagos numberszám of tossesdobálhat untilamíg head-tail-tailfej-farok-farok.
94
279000
3000
ami az átlagos számú dobás, amíg a fej-írás-írás minta megjelenik.
05:07
On this sideoldal, you've got a numberszám -- the averageátlagos numberszám of tossesdobálhat untilamíg head-tail-headfej-farok-head.
95
282000
4000
Ezen az oldalon van egy számuk -- az átlagos számú dobás, amíg a fej-írás-fej minta megjelenik.
05:11
So here'sitt a deepmély mathematicalmatematikai facttény --
96
286000
2000
Íme egy alapvető matematikai tény --
05:13
if you've got two numbersszám, one of threehárom things mustkell be trueigaz.
97
288000
3000
ha van két számunk, a következő három dolog egyike igaz.
05:16
EitherVagy they're the sameazonos, or this one'sazok biggernagyobb than this one,
98
291000
3000
Vagy egyformák, vagy ez nagyobb, mint ez,
05:19
or this one'sazok biggernagyobb than that one.
99
294000
1000
vagy ez nagyobb, mint ez.
05:20
So what's going on here?
100
295000
3000
Miről van szó itt?
05:23
So you've all got to think about this, and you've all got to voteszavazás --
101
298000
2000
Mindannyiuknak el kell gondolkodnia és szavaznia kell --
05:25
and we're not movingmozgó on.
102
300000
1000
és nem megyünk sehová.
05:26
And I don't want to endvég up in the two-minutekétperces silencecsend
103
301000
2000
És nem akarok két perc csöndet,
05:28
to give you more time to think about it, untilamíg everyone'smindenki expressedkifejezett a viewKilátás. OK.
104
303000
4000
hogy több idejük legyen gondolkodni ezen, amíg mindenkinek van véleménye. Rendben.
05:32
So what you want to do is comparehasonlítsa össze the averageátlagos numberszám of tossesdobálhat untilamíg we first see
105
307000
4000
Szóval össze akarjuk hasonlítani az átlagos számú dobást, amíg először megjelenik
05:36
head-tail-headfej-farok-head with the averageátlagos numberszám of tossesdobálhat untilamíg we first see head-tail-tailfej-farok-farok.
106
311000
4000
a fej-írás-fej az átlagos számú dobással, amíg megjelenik a fej-írás-írás.
05:41
Who thinksazt hiszi that A is trueigaz --
107
316000
2000
Ki gondolja azt, hogy az A az igaz --
05:43
that, on averageátlagos, it'llez lesz take longerhosszabb to see head-tail-headfej-farok-head than head-tail-tailfej-farok-farok?
108
318000
4000
hogy átlagban tovább tart, míg megjelenik a fej-írás-fej, mint a fej-írás-írás?
05:47
Who thinksazt hiszi that B is trueigaz -- that on averageátlagos, they're the sameazonos?
109
322000
3000
Ki gondolja, hogy a B az igaz -- hogy átlagban megegyeznek?
05:51
Who thinksazt hiszi that C is trueigaz -- that, on averageátlagos, it'llez lesz take lessKevésbé time
110
326000
2000
Ki gondolja, hogy a C az igaz -- hogy átlagban kevesebb ideig tart,
05:53
to see head-tail-headfej-farok-head than head-tail-tailfej-farok-farok?
111
328000
3000
míg megjelenik a fej-írás-fej, mint a fej-írás-írás?
05:57
OK, who hasn'tmég nem votedszavazott yetmég? Because that's really naughtyrossz -- I said you had to.
112
332000
3000
Ki nem szavazott? Az szégyellje magát, azt mondtam mindenkinek kell.
06:00
(LaughterNevetés)
113
335000
1000
(Nevetés)
06:02
OK. So mosta legtöbb people think B is trueigaz.
114
337000
3000
A legtöbben azt gondolják, hogy a B az igaz.
06:05
And you mightesetleg be relievedmegkönnyebbült to know even ratherInkább distinguishedkiváló mathematiciansmatematikusok think that.
115
340000
3000
És megnyugodhatnak, hogy egészen kiváló matematikusok is ezt gondolják.
06:08
It's not. A is trueigaz here.
116
343000
4000
Nem igaz. Az A az igaz.
06:12
It takes longerhosszabb, on averageátlagos.
117
347000
2000
Általában tovább tart.
06:14
In facttény, the averageátlagos numberszám of tossesdobálhat tillamíg head-tail-headfej-farok-head is 10
118
349000
2000
Valójában átlagban 10 dobásra van szükség, hogy megjelenjen a fej-írás-fej,
06:16
and the averageátlagos numberszám of tossesdobálhat untilamíg head-tail-tailfej-farok-farok is eightnyolc.
119
351000
5000
míg nyolc dobásra, hogy megjelenjen a fej-írás-írás.
06:21
How could that be?
120
356000
2000
Hogy lehet ez?
06:24
Anything differentkülönböző about the two patternsminták?
121
359000
3000
Van valamilyen különbség a két minta között?
06:30
There is. Head-tail-headFej-farok-fej overlapsátfedések itselfmaga.
122
365000
5000
Van. A fej-írás-fej átfedésben van magával.
06:35
If you wentment head-tail-head-tail-headfej-farok-fej-farok-head, you can cunninglyravaszul get two occurrenceselőfordulás
123
370000
4000
A fej-írás-fej-írás-fej sorozatban ravaszul kétszer is megjelenik a minta
06:39
of the patternminta in only fiveöt tossesdobálhat.
124
374000
3000
csupán öt dobásból.
06:42
You can't do that with head-tail-tailfej-farok-farok.
125
377000
2000
Ezt nem lehet megcsinálni a fej-írás-írással.
06:44
That turnsmenetek out to be importantfontos.
126
379000
2000
És ez fontosnak bizonyul.
06:46
There are two waysmódokon of thinkinggondolkodás about this.
127
381000
2000
Kétféleképpen gondolhatunk erre.
06:48
I'll give you one of them.
128
383000
2000
Elmondom az egyiket.
06:50
So imagineKépzeld el -- let's supposetegyük fel we're doing it.
129
385000
2000
Képzeljék el, hogy ezt csináljuk.
06:52
On this sideoldal -- rememberemlékezik, you're excitedizgatott about head-tail-tailfej-farok-farok;
130
387000
2000
Ezen az oldalon -- ne felejtsék, a fej-írás-írás izgalmas;
06:54
you're excitedizgatott about head-tail-headfej-farok-head.
131
389000
2000
itt a fej-írás-fej izgalmas.
06:56
We startRajt tossingfeldobás a coinérme, and we get a headfej --
132
391000
3000
Elkezdjük dobálni az érmét, és fej --
06:59
and you startRajt sittingülés on the edgeél of your seatülés
133
394000
1000
és mindenki tűkön ül,
07:00
because something great and wonderfulcsodálatos, or awesomefantasztikus, mightesetleg be about to happentörténik.
134
395000
5000
mert valami nagyszerű és csodálatos történhet a következő pillanatban.
07:05
The nextkövetkező tossdobás is a tailfarok -- you get really excitedizgatott.
135
400000
2000
A következő dobás írás -- nagyon izgatottak.
07:07
The champagne'schampagne on icejég just nextkövetkező to you; you've got the glassesszemüveg chilledhideg to celebrateünnepel.
136
402000
4000
A pezsgő már jégen van, a poharak be vannak hűtve az ünnepléshez.
07:11
You're waitingvárakozás with batedvisszafojtott breathlehelet for the finalvégső tossdobás.
137
406000
2000
Visszafojtott lélegzettel várják az utolsó dobást.
07:13
And if it comesjön down a headfej, that's great.
138
408000
2000
És ha fej, az remek.
07:15
You're doneKész, and you celebrateünnepel.
139
410000
2000
Kész vannak, és ünnepelnek.
07:17
If it's a tailfarok -- well, ratherInkább disappointedlycsalódottan, you put the glassesszemüveg away
140
412000
2000
Ha írás, akkor csalódottan leteszik a poharakat,
07:19
and put the champagnepezsgő back.
141
414000
2000
visszateszik a pezsgőt a jégre.
07:21
And you keep tossingfeldobás, to wait for the nextkövetkező headfej, to get excitedizgatott.
142
416000
3000
És tovább dobálnak, várva a következő fejre, hogy megint izgalomba jöjjenek.
07:25
On this sideoldal, there's a differentkülönböző experiencetapasztalat.
143
420000
2000
Ezen az oldalon ez egy más élmény.
07:27
It's the sameazonos for the first two partsalkatrészek of the sequencesorrend.
144
422000
3000
Az első két lépés ugyanaz.
07:30
You're a little bitbit excitedizgatott with the first headfej --
145
425000
2000
Kicsit izgatottak az első fej megjelenésekor --
07:32
you get ratherInkább more excitedizgatott with the nextkövetkező tailfarok.
146
427000
2000
sokkal izgatottabbak amikor a következő írás.
07:34
Then you tossdobás the coinérme.
147
429000
2000
Aztán feldobják az érmét.
07:36
If it's a tailfarok, you crackrepedés opennyisd ki the champagnepezsgő.
148
431000
3000
Ha írás, eldurrantják a pezsgőt.
07:39
If it's a headfej you're disappointedcsalódott,
149
434000
2000
Ha fej, akkor csalódottak,
07:41
but you're still a thirdharmadik of the way to your patternminta again.
150
436000
3000
de már megint túl vannak a minta harmadán.
07:44
And that's an informalinformális way of presentingbemutató it -- that's why there's a differencekülönbség.
151
439000
4000
Ez a közvetlen módja annak, hogy ezt bemutassuk -- ezért van közte különbség.
07:48
AnotherEgy másik way of thinkinggondolkodás about it --
152
443000
2000
Egy másik módja, hogy erre gondoljunk --
07:50
if we tosseddobta a coinérme eightnyolc millionmillió timesalkalommal,
153
445000
2000
hogyha nyolcmilliószor feldobunk egy érmét,
07:52
then we'dHázasodik expectelvár a millionmillió head-tail-headsfej-farok-fejek
154
447000
2000
akkor azt várjuk, hogy lesz egymillió fej-írás-fej,
07:54
and a millionmillió head-tail-tailsfej-farok-farok -- but the head-tail-headsfej-farok-fejek could occurelőfordul in clumpscsomók.
155
449000
7000
és egymillió fej-írás-írás -- de a fej-írás-fejek megjelenhetnek csomókban.
08:01
So if you want to put a millionmillió things down amongstközött eightnyolc millionmillió positionspozíciók
156
456000
2000
Szóval ha le akarunk tenni egymillió dolgot nyolcmillió hely közé,
08:03
and you can have some of them overlappingátfedés, the clumpscsomók will be furthertovábbi aparteltekintve.
157
458000
5000
és némelyik átfedheti egymást, akkor a csomók messzebb lesznek egymástól.
08:08
It's anotheregy másik way of gettingszerzés the intuitionintuíció.
158
463000
2000
Egy másik módja, hogy erre ráérezzünk.
08:10
What's the pointpont I want to make?
159
465000
2000
Mit akarok ezzel mondani?
08:12
It's a very, very simpleegyszerű examplepélda, an easilykönnyen statedmegállapított questionkérdés in probabilityvalószínűség,
160
467000
4000
Ez egy nagyon-nagyon egyszerű példa, egy egyszerűen megfogalmazható valószínűségszámítási kérdés,
08:16
whichmelyik everyminden -- you're in good companyvállalat -- everybodymindenki getsjelentkeznek wrongrossz.
161
471000
3000
amit mindenki -- előkelő társaságban vannak -- mindenki elront.
08:19
This is my little diversionelterelés into my realigazi passionszenvedély, whichmelyik is geneticsgenetika.
162
474000
4000
Ez az én kis kitérőm az igazi szenvedélyemre, ami a genetika.
08:23
There's a connectionkapcsolat betweenközött head-tail-headsfej-farok-fejek and head-tail-tailsfej-farok-farok in geneticsgenetika,
163
478000
3000
Van egy kapcsolat a fej-írás-fej, a fej-írás-írás és a genetika között,
08:26
and it's the followingkövetkező.
164
481000
3000
és ez a következő.
08:29
When you tossdobás a coinérme, you get a sequencesorrend of headsfejek and tailsfrakk.
165
484000
3000
Amikor feldobunk egy érmét, a fej és írás egy sorozatát kapjuk.
08:32
When you look at DNADNS, there's a sequencesorrend of not two things -- headsfejek and tailsfrakk --
166
487000
3000
Ha megnézzük a DNS-t, nem két dologból áll a sorozat -- fej és írás --
08:35
but fournégy lettersbetűk -- As, GsGS, CsCS and TsTS.
167
490000
3000
hanem négy betűből: A, G, C és T.
08:38
And there are little chemicalkémiai scissorsolló, calledhívott restrictionkorlátozás enzymesenzimek
168
493000
3000
És vannak kis kémiai ollók, amiket korlátozó enzimeknek hívunk,
08:41
whichmelyik cutvágott DNADNS wheneverbármikor they see particularkülönös patternsminták.
169
496000
2000
amik elvágják a DNS-t, ahol bizonyos mintákat látnak.
08:43
And they're an enormouslyóriási usefulhasznos tooleszköz in modernmodern molecularmolekuláris biologybiológia.
170
498000
4000
És ezek hihetetlenül hasznos eszközök a modern molekuláris biológiában.
08:48
And insteadhelyette of askingkérve the questionkérdés, "How long untilamíg I see a head-tail-headfej-farok-head?" --
171
503000
3000
És ahelyett, hogy azt kérdeznénk: "Mennyi idő alatt fogok fej-írás-fejet kapni?"
08:51
you can askkérdez, "How bignagy will the chunksdarabokat be when I use a restrictionkorlátozás enzymeenzim
172
506000
3000
azt kérdezzük: "Milyen nagyok lesznek a darabok, ha egy korlátozó enzimet használok,
08:54
whichmelyik cutsvágások wheneverbármikor it seeslát G-A-A-GG-A-A-G, for examplepélda?
173
509000
4000
ami akkor vág, ha G-A-A-G mintát lát?
08:58
How long will those chunksdarabokat be?"
174
513000
2000
Milyen hosszúak lesznek ezek a darabok?"
09:00
That's a ratherInkább trivialjelentéktelen connectionkapcsolat betweenközött probabilityvalószínűség and geneticsgenetika.
175
515000
5000
Ez egy elég triviális kapcsolat a genetika és a valószínűségszámítás között.
09:05
There's a much deepermélyebb connectionkapcsolat, whichmelyik I don't have time to go into
176
520000
3000
Van egy sokkal mélyebb kapcsolat, amibe nincs időm most belemenni,
09:08
and that is that modernmodern geneticsgenetika is a really excitingizgalmas areaterület of sciencetudomány.
177
523000
3000
és ez az, hogy a modern genetika egy nagyon izgalmas területe a tudománynak.
09:11
And we'lljól hearhall some talksbeszél latera későbbiekben in the conferencekonferencia specificallykifejezetten about that.
178
526000
4000
És hallani fogunk előadásokat ezen a konferencián kifejezetten erről.
09:15
But it turnsmenetek out that unlockingkinyitó the secretstitkok in the informationinformáció generatedgenerált by modernmodern
179
530000
4000
De kiderült, annak, hogy megfejtsük az információt, amit a modern
09:19
experimentalkísérleti technologiestechnológiák, a keykulcs partrész of that has to do with fairlymeglehetősen sophisticatedkifinomult --
180
534000
5000
kísérleti technológiák termelnek, egy kulcsfontosságú részét képezik a kifinomult --
09:24
you'llazt is megtudhatod be relievedmegkönnyebbült to know that I do something usefulhasznos in my day jobmunka,
181
539000
3000
örömmel fogják hallani, hogy valami hasznos dologgal is foglalkozom,
09:27
ratherInkább more sophisticatedkifinomult than the head-tail-headfej-farok-head storysztori --
182
542000
2000
ami kicsit fejlettebb, mint a fej-írás-fej történet --
09:29
but quiteegészen sophisticatedkifinomult computerszámítógép modelingsmodelings and mathematicalmatematikai modelingsmodelings
183
544000
4000
hanem kifinomult számítógépes és matematikai modellek,
09:33
and modernmodern statisticalstatisztikai techniquestechnikák.
184
548000
2000
és modern statisztikai technikák.
09:35
And I will give you two little snippetstöredék -- two examplespéldák --
185
550000
3000
Mutatok két kis részletet -- két példát --
09:38
of projectsprojektek we're involvedrészt in in my groupcsoport in OxfordOxford,
186
553000
3000
a programokból, amikkel foglalkozunk a csapatommal Oxfordban,
09:41
bothmindkét of whichmelyik I think are ratherInkább excitingizgalmas.
187
556000
2000
szerintem mindkettő elég izgalmas.
09:43
You know about the HumanEmberi GenomeGenom ProjectProjekt.
188
558000
2000
Hallottak a Humán genom projektről.
09:45
That was a projectprogram whichmelyik aimedcélzó to readolvas one copymásolat of the humanemberi genomegenom.
189
560000
4000
Ez a projekt arról szólt, hogy leolvassa a humán genom egy példányát.
09:51
The naturaltermészetes thing to do after you've doneKész that --
190
566000
2000
A magától értetődő következő lépés --
09:53
and that's what this projectprogram, the InternationalNemzetközi HapMapHapMap ProjectProjekt,
191
568000
2000
ami ez a projekt, az International HapMap Project,
09:55
whichmelyik is a collaborationegyüttműködés betweenközött labslabs in fiveöt or sixhat differentkülönböző countriesországok.
192
570000
5000
ami egy együttműködés laborok között 5-6 különböző országban.
10:00
Think of the HumanEmberi GenomeGenom ProjectProjekt as learningtanulás what we'vevoltunk got in commonközös,
193
575000
4000
Gondoljanak a Humán genom projektre úgy, hogy felfedezzük, mi bennünk a közös,
10:04
and the HapMapHapMap ProjectProjekt is tryingmegpróbálja to understandmegért
194
579000
2000
és a HapMap projekt megpróbálja megérteni,
10:06
where there are differenceskülönbségek betweenközött differentkülönböző people.
195
581000
2000
hogy mik a különbségek különböző emberek között.
10:08
Why do we caregondoskodás about that?
196
583000
2000
Miért foglalkozunk ezzel?
10:10
Well, there are lots of reasonsokok.
197
585000
2000
Ennek sok oka van.
10:12
The mosta legtöbb pressingnyomás one is that we want to understandmegért how some differenceskülönbségek
198
587000
4000
Az legsürgetőbb, hogy megértsük hogyan tesznek bizonyos különbségek
10:16
make some people susceptiblefogékony to one diseasebetegség -- type-típus-2 diabetescukorbetegség, for examplepélda --
199
591000
4000
egyeseket hajlamosabbá egy betegségre -- pl. 2-es típusú cukorbetegségre --
10:20
and other differenceskülönbségek make people more susceptiblefogékony to heartszív diseasebetegség,
200
595000
5000
és más különbségek hajlamosabbá tesznek egyeseket a szívbetegségre,
10:25
or strokeütés, or autismautizmus and so on.
201
600000
2000
az agyvérzésre vagy az autizmusra, és így tovább.
10:27
That's one bignagy projectprogram.
202
602000
2000
Ez egy nagy projekt.
10:29
There's a secondmásodik bignagy projectprogram,
203
604000
2000
Egy másik nagy projekt,
10:31
recentlymostanában fundedtőkefedezeti by the WellcomeWellcome TrustBizalom in this countryország,
204
606000
2000
amit nem rég alapított a Wellcome Trust ebben az országban,
10:33
involvingérintő very largenagy studiestanulmányok --
205
608000
2000
nagyon nagy felmérésekkel --
10:35
thousandsTöbb ezer of individualsegyének, with eachminden egyes of eightnyolc differentkülönböző diseasesbetegségek,
206
610000
3000
több ezer egyén nyolc különböző betegséggel,
10:38
commonközös diseasesbetegségek like type-típus-1 and type-típus-2 diabetescukorbetegség, and coronarykoronária heartszív diseasebetegség,
207
613000
4000
gyakori betegségek, mint az 1-es és 2-es típusú cukorbetegség, koszorúér betegség,
10:42
bipolarkétpólusú diseasebetegség and so on -- to try and understandmegért the geneticsgenetika.
208
617000
4000
bipoláris zavar, és így tovább -- hogy megértsük a genetikáját.
10:46
To try and understandmegért what it is about geneticgenetikai differenceskülönbségek that causesokoz the diseasesbetegségek.
209
621000
3000
Hogy megértsük, milyen genetikai különbségek okozzák ezeket a betegségeket.
10:49
Why do we want to do that?
210
624000
2000
Miért akarjuk ezt megtudni?
10:51
Because we understandmegért very little about mosta legtöbb humanemberi diseasesbetegségek.
211
626000
3000
Mert nagyon keveset tudunk az emberi betegségekről.
10:54
We don't know what causesokoz them.
212
629000
2000
Nem tudjuk, mi okozza őket.
10:56
And if we can get in at the bottomalsó and understandmegért the geneticsgenetika,
213
631000
2000
És ha sikerül leásnunk a mélyére, és megérteni a genetikáját,
10:58
we'lljól have a windowablak on the way the diseasebetegség worksművek,
214
633000
3000
bepillantást nyerünk abba, hogy működik egy betegség,
11:01
and a wholeegész newúj way about thinkinggondolkodás about diseasebetegség therapiesterápiák
215
636000
2000
és teljesen új módokat arra, hogy a gyógyításról gondolkodjunk,
11:03
and preventativemegelőző treatmentkezelés and so on.
216
638000
3000
és a megelőzésről, és így tovább.
11:06
So that's, as I said, the little diversionelterelés on my mainfő- love.
217
641000
3000
Szóval, ahogy mondtam, ez volt a kitérő a fő szenvedélyemre.
11:09
Back to some of the more mundaneföldi issueskérdések of thinkinggondolkodás about uncertaintybizonytalanság.
218
644000
5000
Visszatérve a bizonytalanság hétköznapibb problémáihoz.
11:14
Here'sItt van anotheregy másik quizkvíz for you --
219
649000
2000
Íme egy másik kvíz --
11:16
now supposetegyük fel we'vevoltunk got a testteszt for a diseasebetegség
220
651000
2000
tegyük fel, hogy van egy tesztünk egy betegségre,
11:18
whichmelyik isn't infalliblecsalhatatlan, but it's prettyszép good.
221
653000
2000
amely nem tévedhetetlen, de egész jó.
11:20
It getsjelentkeznek it right 99 percentszázalék of the time.
222
655000
3000
Az esetek 99%-ában pontos.
11:23
And I take one of you, or I take someonevalaki off the streetutca,
223
658000
3000
És fogok valakit itt, vagy az utcáról,
11:26
and I testteszt them for the diseasebetegség in questionkérdés.
224
661000
2000
és elvégzem rajtuk ennek a betegségnek a tesztjét.
11:28
Let's supposetegyük fel there's a testteszt for HIVHIV -- the virusvírus that causesokoz AIDSAIDS --
225
663000
4000
Mondjuk hogy egy HIV tesztről van szó -- az AIDS-et okozó vírusról --
11:32
and the testteszt saysmondja the personszemély has the diseasebetegség.
226
667000
3000
és a teszt szerint a személy pozitív.
11:35
What's the chancevéletlen that they do?
227
670000
3000
Mi az esélye annak, hogy tényleg az?
11:38
The testteszt getsjelentkeznek it right 99 percentszázalék of the time.
228
673000
2000
A teszt az esetek 99%-ában helyes.
11:40
So a naturaltermészetes answerválasz is 99 percentszázalék.
229
675000
4000
Tehát a természetes válasz 99%.
11:44
Who likeskedvel that answerválasz?
230
679000
2000
Kinek szimpatikus ez a válasz?
11:46
Come on -- everyone'smindenki got to get involvedrészt.
231
681000
1000
Gyerünk -- mindenkinek részt kell vennie.
11:47
Don't think you don't trustbizalom me anymoretöbbé.
232
682000
2000
Ne arra gondoljanak, hogy már nem bíznak bennem.
11:49
(LaughterNevetés)
233
684000
1000
(Nevetés)
11:50
Well, you're right to be a bitbit skepticalszkeptikus, because that's not the answerválasz.
234
685000
3000
Nos, igaza van annak, aki szkeptikus, mert a válasz nem 99%.
11:53
That's what you mightesetleg think.
235
688000
2000
Lehet, hogy ezt gondolják.
11:55
It's not the answerválasz, and it's not because it's only partrész of the storysztori.
236
690000
3000
De nem ez a válasz, és nem csak azért, mert ez csak a történet egy része.
11:58
It actuallytulajdonképpen dependsattól függ on how commonközös or how rareritka the diseasebetegség is.
237
693000
3000
Igazából azon múlik, hogy milyen gyakori vagy ritka a betegség.
12:01
So let me try and illustrateszemléltet that.
238
696000
2000
Megpróbálom ezt illusztrálni.
12:03
Here'sItt van a little caricaturekarikatúra of a millionmillió individualsegyének.
239
698000
4000
Itt van egy ábra egymillió emberről.
12:07
So let's think about a diseasebetegség that affectsérint --
240
702000
3000
Gondoljunk egy betegségre, ami --
12:10
it's prettyszép rareritka, it affectsérint one personszemély in 10,000.
241
705000
2000
nagyon ritka, 10.000-ből egy embert érint.
12:12
AmongstKözött these millionmillió individualsegyének, mosta legtöbb of them are healthyegészséges
242
707000
3000
Az egymillió ember közül a legtöbb egészséges
12:15
and some of them will have the diseasebetegség.
243
710000
2000
és néhány beteg.
12:17
And in facttény, if this is the prevalenceprevalenciája of the diseasebetegség,
244
712000
3000
Konkrétan, ha ez a betegség előfordulása,
12:20
about 100 will have the diseasebetegség and the restpihenés won'tszokás.
245
715000
3000
akkor 100 ember lesz beteg, a többi nem.
12:23
So now supposetegyük fel we testteszt them all.
246
718000
2000
Szóval tegyük fel, hogy mindegyiken elvégezzük a tesztet.
12:25
What happensmegtörténik?
247
720000
2000
Mi történik?
12:27
Well, amongstközött the 100 who do have the diseasebetegség,
248
722000
2000
Aközül a 100 közül, aki beteg,
12:29
the testteszt will get it right 99 percentszázalék of the time, and 99 will testteszt positivepozitív.
249
724000
5000
a teszt 99%-ban helyes eredményt mutat, és 99 pozitív lesz.
12:34
AmongstKözött all these other people who don't have the diseasebetegség,
250
729000
2000
Azok között, akik nem betegek,
12:36
the testteszt will get it right 99 percentszázalék of the time.
251
731000
3000
a teszt 99%-ban helyes lesz.
12:39
It'llEz lesz only get it wrongrossz one percentszázalék of the time.
252
734000
2000
Csak az esetek egy százalékában téved.
12:41
But there are so manysok of them that there'llLesz be an enormoushatalmas numberszám of falsehamis positivespozitívumok.
253
736000
4000
De olyan sok van belőlük, hogy nagyon sok hamis pozitív lesz.
12:45
Put that anotheregy másik way --
254
740000
2000
Máshogy fogalmazva --
12:47
of all of them who testteszt positivepozitív -- so here they are, the individualsegyének involvedrészt --
255
742000
5000
azok közül, akiknél pozitív a teszt -- itt vannak ezek a személyek --
12:52
lessKevésbé than one in 100 actuallytulajdonképpen have the diseasebetegség.
256
747000
5000
kevesebb mint egy a százból tényleg beteg.
12:57
So even thoughbár we think the testteszt is accuratepontos, the importantfontos partrész of the storysztori is
257
752000
4000
Tehát még ha azt is gondoljuk, hogy a teszt pontos, a lényeg,
13:01
there's anotheregy másik bitbit of informationinformáció we need.
258
756000
3000
hogy szükségünk van még egy információra.
13:04
Here'sItt van the keykulcs intuitionintuíció.
259
759000
2000
Íme a legfontosabb megérzés.
13:07
What we have to do, onceegyszer we know the testteszt is positivepozitív,
260
762000
3000
Amit tennünk kell, ha tudjuk, hogy a teszt pozitív,
13:10
is to weighmérjünk up the plausibilityelfogadhatóság, or the likelihoodvalószínűség, of two competingversengő explanationsmagyarázatok.
261
765000
6000
az felmérni a hihetőségét, vagy a valószínűségét, két ellentétes magyarázatnak.
13:16
EachMinden of those explanationsmagyarázatok has a likelyvalószínűleg bitbit and an unlikelyvalószínűtlen bitbit.
262
771000
3000
Mindkét magyarázatnak van egy valószínű és egy valószínűtlen része.
13:19
One explanationmagyarázat is that the personszemély doesn't have the diseasebetegség --
263
774000
3000
Az egyik magyarázat, hogy a személy nem beteg --
13:22
that's overwhelminglytúlnyomórészt likelyvalószínűleg, if you pickszed someonevalaki at randomvéletlen --
264
777000
3000
ez túlnyomóan valószínű, ha valakit véletlenszerűen választunk --
13:25
but the testteszt getsjelentkeznek it wrongrossz, whichmelyik is unlikelyvalószínűtlen.
265
780000
3000
de a teszt téved, ami nem valószínű.
13:29
The other explanationmagyarázat is that the personszemély does have the diseasebetegség -- that's unlikelyvalószínűtlen --
266
784000
3000
A másik magyarázat, hogy a személy beteg -- valószínűtlen --
13:32
but the testteszt getsjelentkeznek it right, whichmelyik is likelyvalószínűleg.
267
787000
3000
de a teszt helyes, ami valószínű.
13:35
And the numberszám we endvég up with --
268
790000
2000
És a szám a végén --
13:37
that numberszám whichmelyik is a little bitbit lessKevésbé than one in 100 --
269
792000
3000
a szám, ami egy kicsit kevesebb, mint az egy a százban --
13:40
is to do with how likelyvalószínűleg one of those explanationsmagyarázatok is relativerelatív to the other.
270
795000
6000
az, hogy milyen valószínű az egyik magyarázat a másikkal szemben.
13:46
EachMinden of them takentett togetheregyütt is unlikelyvalószínűtlen.
271
801000
2000
Mindkettő egyszerre valószínűtlen.
13:49
Here'sItt van a more topicalhelyi examplepélda of exactlypontosan the sameazonos thing.
272
804000
3000
Itt van egy aktuálisabb példa ugyanerre.
13:52
Those of you in BritainNagy-Britannia will know about what's becomeválik ratherInkább a celebratedünnepelt caseügy
273
807000
4000
Aki Nagy-Britanniában él biztos hallott erről a híressé vált esetről,
13:56
of a woman calledhívott SallySally ClarkClark, who had two babiesbabák who diedmeghalt suddenlyhirtelen.
274
811000
5000
egy Sally Clark nevű nő esete, akinek két csecsemője is hirtelen meghalt.
14:01
And initiallyalapvetően, it was thought that they diedmeghalt of what's knownismert informallyinformálisan as "cotgyermekágy deathhalál,"
275
816000
4000
Eleinte azt gondolták, hogy egy a köznyelvben bölcsőhalálnak nevezett betegségben haltak meg,
14:05
and more formallyformálisan as "SuddenHirtelen InfantCsecsemő DeathHalál SyndromeSzindróma."
276
820000
3000
amit hivatalosan hirtelen gyermekhalál szindrómának hívnak.
14:08
For variouskülönféle reasonsokok, she was latera későbbiekben chargedtöltött with murdergyilkosság.
277
823000
2000
Kölünböző okokból az anyát később gyilkossággal vádolták.
14:10
And at the trialpróba, her trialpróba, a very distinguishedkiváló pediatriciangyermekorvos gaveadott evidencebizonyíték
278
825000
4000
És a tárgyalásán egy nagyon elismert gyermekorvos tanúskodott,
14:14
that the chancevéletlen of two cotgyermekágy deathshaláleset, innocentártatlan deathshaláleset, in a familycsalád like hersaz övé --
279
829000
5000
hogy a valószínűsége két bölcsőhalálnak, ártatlan halálnak, egy ilyen családban --
14:19
whichmelyik was professionalszakmai and non-smokingnemdohányzó -- was one in 73 millionmillió.
280
834000
6000
dolgozó és nemdohányzó -- egy a 73 millióhoz.
14:26
To cutvágott a long storysztori shortrövid, she was convictedelítélt at the time.
281
841000
3000
A rövidség kedvéért, akkor elítélték.
14:29
LaterKésőbb, and fairlymeglehetősen recentlymostanában, acquittedfelmentették on appealfellebbezés -- in facttény, on the secondmásodik appealfellebbezés.
282
844000
5000
Később, nem olyan régen, szabadlábra helyezték -- a második fellebbezés után.
14:34
And just to setkészlet it in contextkontextus, you can imagineKépzeld el how awfulszörnyű it is for someonevalaki
283
849000
4000
El tudják képzelni, milyen borzasztó valakinek, aki elveszített
14:38
to have lostelveszett one childgyermek, and then two, if they're innocentártatlan,
284
853000
3000
egy gyereket, aztán kettőt, ha ártatlan, hogy elítélik
14:41
to be convictedelítélt of murderingmeggyilkolása them.
285
856000
2000
a meggyilkolásukért.
14:43
To be put throughkeresztül the stressfeszültség of the trialpróba, convictedelítélt of murderingmeggyilkolása them --
286
858000
2000
Hogy keresztül kell mennie a tárgyalás megpróbáltatásain,
14:45
and to spendtölt time in a women'snői prisonbörtön, where all the other prisonersfoglyok
287
860000
3000
elítélik gyilkosságért és egy női börtönbe kerül, ahol a többi rab
14:48
think you killedelesett your childrengyermekek -- is a really awfulszörnyű thing to happentörténik to someonevalaki.
288
863000
5000
azt gondolja, hogy megölte a gyerekeit -- ez egy igazán borzasztó dolog, ami valakivel történhet.
14:53
And it happenedtörtént in largenagy partrész here because the expertszakértő got the statisticsstatisztika
289
868000
5000
És ez nagyrészt azért történt meg itt, mert a szakértő
14:58
horriblyszörnyen wrongrossz, in two differentkülönböző waysmódokon.
290
873000
3000
végzetesen félreértette a statisztikát két módon.
15:01
So where did he get the one in 73 millionmillió numberszám?
291
876000
4000
Honnan szedte az egy a 73 millióhoz számot?
15:05
He lookednézett at some researchkutatás, whichmelyik said the chancevéletlen of one cotgyermekágy deathhalál in a familycsalád
292
880000
3000
Elolvasott egy kutatást, ami azt mondta, hogy egy bölcsőhalál esélye
15:08
like SallySally Clark'sClark is about one in 8,500.
293
883000
5000
egy olyan családban, mint Sally Clarké, egy a 8.500-hoz.
15:13
So he said, "I'll assumefeltételezni that if you have one cotgyermekágy deathhalál in a familycsalád,
294
888000
4000
És azt mondta: "Feltételezem, hogyha egy bölcsőhalál van a családban,
15:17
the chancevéletlen of a secondmásodik childgyermek dyinghaldoklik from cotgyermekágy deathhalál aren'tnem changedmegváltozott."
295
892000
4000
az esélyei egy második bölcsőhalálnak ugyanazok."
15:21
So that's what statisticiansstatisztikusok would call an assumptionfeltevés of independencefüggetlenség.
296
896000
3000
Statisztikusok ezt a függetlenség feltételezésének hívják.
15:24
It's like sayingmondás, "If you tossdobás a coinérme and get a headfej the first time,
297
899000
2000
Olyan, mint azt mondani, ha feldobunk egy érmét és először fej lesz,
15:26
that won'tszokás affectérint the chancevéletlen of gettingszerzés a headfej the secondmásodik time."
298
901000
3000
ez nem befolyásolja annak az esélyét, hogy másodszorra is fej lesz."
15:29
So if you tossdobás a coinérme twicekétszer, the chancevéletlen of gettingszerzés a headfej twicekétszer are a halffél --
299
904000
5000
Tehát ha kétszer dobunk fel egy érmét, az esélye, hogy mind a kétszer fej lesz, az fél --
15:34
that's the chancevéletlen the first time -- timesalkalommal a halffél -- the chancevéletlen a secondmásodik time.
300
909000
3000
az esélye annak, hogy az első fej -- szorozva féllel -- az esélye, hogy a második fej.
15:37
So he said, "Here,
301
912000
2000
Szóval azt mondta: "Feltételezem,
15:39
I'll assumefeltételezni that these eventsesemények are independentfüggetlen.
302
914000
4000
hogy ezek az események függetlenek.
15:43
When you multiplyszaporodnak 8,500 togetheregyütt twicekétszer,
303
918000
2000
Ha megszorozzuk a 8.500-at önmagával,
15:45
you get about 73 millionmillió."
304
920000
2000
az kb. 73 millió."
15:47
And noneegyik sem of this was statedmegállapított to the courtbíróság as an assumptionfeltevés
305
922000
2000
És ezt nem feltételezésként mutatták be a bíróságnak,
15:49
or presentedbemutatva to the juryzsűri that way.
306
924000
2000
vagy az esküdteknek.
15:52
UnfortunatelySajnos here -- and, really, regrettablysajnálatosan --
307
927000
3000
Sajnos itt -- és tényleg nagyon sajálatos módon --
15:55
first of all, in a situationhelyzet like this you'djobb lenne, ha have to verifyellenőrizze it empiricallyempirikusan.
308
930000
4000
először is egy ilyen helyzetet empirikusan kéne igazolni.
15:59
And secondlymásodszor, it's palpablyérezhetően falsehamis.
309
934000
2000
Másodszor, érezhetően téves.
16:02
There are lots and lots of things that we don't know about suddenhirtelen infantcsecsemő deathshaláleset.
310
937000
5000
Rengeteg dolgot nem tudunk a hirtelen gyermekhalálról.
16:07
It mightesetleg well be that there are environmentalkörnyezeti factorstényezők that we're not awaretudatában van of,
311
942000
3000
Lehetséges, hogy vannak környezeti tényezők, amikről nem tudunk,
16:10
and it's prettyszép likelyvalószínűleg to be the caseügy that there are
312
945000
2000
és nagyon valószínű, hogy vannak
16:12
geneticgenetikai factorstényezők we're not awaretudatában van of.
313
947000
2000
genetikai tényezők, amikről nem tudunk.
16:14
So if a familycsalád suffersszenved from one cotgyermekágy deathhalál, you'djobb lenne, ha put them in a high-risknagy kockázat groupcsoport.
314
949000
3000
Ha egy családban volt egy bölcsőhalál, magas veszélyeztettségű csoportba kellene tenni őket.
16:17
They'veŐk már probablyvalószínűleg got these environmentalkörnyezeti riskkockázat factorstényezők
315
952000
2000
Valószínűleg fennállnak ezek a környezeti
16:19
and/or geneticgenetikai riskkockázat factorstényezők we don't know about.
316
954000
3000
és/vagy genetikai tényezők, amelyekről nem tudunk.
16:22
And to argueérvel, then, that the chancevéletlen of a secondmásodik deathhalál is as if you didn't know
317
957000
3000
És egy második halál esélyével érvelni úgy, mintha nem tudnánk
16:25
that informationinformáció is really sillybolondos.
318
960000
3000
ezt az információt nagyon buta dolog.
16:28
It's worserosszabb than sillybolondos -- it's really badrossz sciencetudomány.
319
963000
4000
Rosszabb, mint butaság -- rossz tudomány.
16:32
NonethelessEnnek ellenére, that's how it was presentedbemutatva, and at trialpróba nobodysenki even arguedérvelt it.
320
967000
5000
Mindenesetre ezt így mutatták be, és a tárgyaláson senki sem kérdőjelezte meg.
16:37
That's the first problemprobléma.
321
972000
2000
Ez az első probléma.
16:39
The secondmásodik problemprobléma is, what does the numberszám of one in 73 millionmillió mean?
322
974000
4000
A második probléma, hogy mit jelent az egy a 73 millióhoz?
16:43
So after SallySally ClarkClark was convictedelítélt --
323
978000
2000
Azután, hogy Sally Clarkot elítélték --
16:45
you can imagineKépzeld el, it madekészült ratherInkább a splashloccsanás in the pressnyomja meg --
324
980000
4000
elképzelhetik, elég nagy média visszhangot váltott ki --
16:49
one of the journalistsújságírók from one of Britain'sNagy-Britannia more reputablejó hírű newspapersújságok wroteírt that
325
984000
7000
egy újságíró Nagy-Britannia egyik tekintélyes lapjában azt írta,
16:56
what the expertszakértő had said was,
326
991000
2000
hogy a szakértő azt mondta:
16:58
"The chancevéletlen that she was innocentártatlan was one in 73 millionmillió."
327
993000
5000
"Annak az esélye, hogy ártatlan, egy a 73 millióhoz."
17:03
Now, that's a logicallogikus errorhiba.
328
998000
2000
Ez egy logikai hiba.
17:05
It's exactlypontosan the sameazonos logicallogikus errorhiba as the logicallogikus errorhiba of thinkinggondolkodás that
329
1000000
3000
Ugyanaz a logikai hiba, mint azt gondolni,
17:08
after the diseasebetegség testteszt, whichmelyik is 99 percentszázalék accuratepontos,
330
1003000
2000
hogyha a teszt 99%-ban hiteles,
17:10
the chancevéletlen of havingamelynek the diseasebetegség is 99 percentszázalék.
331
1005000
4000
akkor annak az esélye, hogy valaki beteg 99%.
17:14
In the diseasebetegség examplepélda, we had to bearmedve in mindelme two things,
332
1009000
4000
A betegség példában két dolgot kellett figyelembe vennünk,
17:18
one of whichmelyik was the possibilitylehetőség that the testteszt got it right or not.
333
1013000
4000
az egyik annak a lehetősége volt, hogy a teszt hiteles volt vagy tévedett.
17:22
And the other one was the chancevéletlen, a prioripriori, that the personszemély had the diseasebetegség or not.
334
1017000
4000
A másik az a priori esélye annak, hogy egy ember beteg vagy sem.
17:26
It's exactlypontosan the sameazonos in this contextkontextus.
335
1021000
3000
Pontosan ugyanez a helyzet ebben az esetben.
17:29
There are two things involvedrészt -- two partsalkatrészek to the explanationmagyarázat.
336
1024000
4000
Két dologról van szó -- a magyarázat két részből áll.
17:33
We want to know how likelyvalószínűleg, or relativelyviszonylag how likelyvalószínűleg, two differentkülönböző explanationsmagyarázatok are.
337
1028000
4000
Szeretnénk tudni, hogy mennyire valószínű egymáshoz képest, két különböző magyarázat.
17:37
One of them is that SallySally ClarkClark was innocentártatlan --
338
1032000
3000
Az egyik az, hogy Sally Clark ártatlan volt --
17:40
whichmelyik is, a prioripriori, overwhelminglytúlnyomórészt likelyvalószínűleg --
339
1035000
2000
ami, a priori, nagyon valószínű --
17:42
mosta legtöbb mothersanyák don't killmegöl theirazok childrengyermekek.
340
1037000
3000
a legtöbb anya nem öli meg a gyermekét.
17:45
And the secondmásodik partrész of the explanationmagyarázat
341
1040000
2000
A magyarázat másik fele,
17:47
is that she sufferedelszenvedett an incrediblyhihetetlenül unlikelyvalószínűtlen eventesemény.
342
1042000
3000
hogy egy hihetetlenül ritka esemény áldozata volt.
17:50
Not as unlikelyvalószínűtlen as one in 73 millionmillió, but nonethelessennek ellenére ratherInkább unlikelyvalószínűtlen.
343
1045000
4000
Nem olyan ritka, mint egy a 73 millióhoz, de mindenesetre nagyon ritka.
17:54
The other explanationmagyarázat is that she was guiltybűnös.
344
1049000
2000
A másik magyarázat, hogy bűnös volt.
17:56
Now, we probablyvalószínűleg think a prioripriori that's unlikelyvalószínűtlen.
345
1051000
2000
Valószínűleg azt gondoljuk, hogy erre a priori nem nagy az esély.
17:58
And we certainlybiztosan should think in the contextkontextus of a criminalBűnügyi trialpróba
346
1053000
3000
És mindenképpen ezt kéne feltételeznünk egy bűnügyi tárgyaláson,
18:01
that that's unlikelyvalószínűtlen, because of the presumptionvélelem of innocenceártatlanság.
347
1056000
3000
hogy ez valószínűtlen, az ártatlanság vélelme miatt.
18:04
And then if she were tryingmegpróbálja to killmegöl the childrengyermekek, she succeededsikerült.
348
1059000
4000
És hogyha meg akarta ölni a gyerekeket, akkor sikerrel járt.
18:08
So the chancevéletlen that she's innocentártatlan isn't one in 73 millionmillió.
349
1063000
4000
Tehát az ártatlanságának valószínűsége nem egy a 73 millióhoz.
18:12
We don't know what it is.
350
1067000
2000
Nem tudjuk, hogy mi az.
18:14
It has to do with weighingmérés up the strengtherő of the other evidencebizonyíték againstellen her
351
1069000
4000
Arról van szó, hogy fel kell mérni az ellene szóló többi bizonyíték erősségét
18:18
and the statisticalstatisztikai evidencebizonyíték.
352
1073000
2000
és a statisztikai bizonyítékokat.
18:20
We know the childrengyermekek diedmeghalt.
353
1075000
2000
Tudjuk, hogy a gyerekek meghaltak.
18:22
What mattersügyek is how likelyvalószínűleg or unlikelyvalószínűtlen, relativerelatív to eachminden egyes other,
354
1077000
4000
Ami számít, hogy mennyire valószínű vagy valószínűtlen egymáshoz képest
18:26
the two explanationsmagyarázatok are.
355
1081000
2000
a két magyarázat.
18:28
And they're bothmindkét implausiblevalószínűtlen.
356
1083000
2000
És mindkettő valószínűtlen.
18:31
There's a situationhelyzet where errorshibák in statisticsstatisztika had really profoundmély
357
1086000
4000
Ez egy olyan helyzet, ahol a statisztikai hibáknak nagyon komoly
18:35
and really unfortunateszerencsétlen consequenceskövetkezményei.
358
1090000
3000
és sajnálatos következményei voltak.
18:38
In facttény, there are two other womennők who were convictedelítélt on the basisbázis of the
359
1093000
2000
Sőt, két másik nőt is elítéltek ennek a gyermekorvosnak
18:40
evidencebizonyíték of this pediatriciangyermekorvos, who have subsequentlykésőbb been releasedfelszabadított on appealfellebbezés.
360
1095000
4000
a tanúvallomása alapján, akiket később fellebbezés után felmentettek.
18:44
ManySok casesesetek were reviewedminősített.
361
1099000
2000
Sok esetet újra megvizsgáltak.
18:46
And it's particularlykülönösen topicalhelyi because he's currentlyjelenleg facingnéző a disreputerossz hírnév chargedíj
362
1101000
4000
És ez különösen aktuális, mert az orvos ellen bizalmatlansági vádakat emeltek
18:50
at Britain'sNagy-Britannia GeneralÁltalános MedicalOrvosi CouncilA Tanács.
363
1105000
3000
a brit orvosi kamaránál.
18:53
So just to concludekövetkeztetést levonni -- what are the take-homehaza vinni messagesüzenetek from this?
364
1108000
4000
Csak befejezésként -- mit érdemes ebből megjegyezni?
18:57
Well, we know that randomnessvéletlenszerűség and uncertaintybizonytalanság and chancevéletlen
365
1112000
4000
Tudjuk, hogy a véletlen, a bizonytalanság és a szerencse
19:01
are very much a partrész of our everydayminden nap life.
366
1116000
3000
nagyon is részei a mindennapi életnek.
19:04
It's alsois trueigaz -- and, althoughhabár, you, as a collectivekollektív, are very specialkülönleges in manysok waysmódokon,
367
1119000
5000
Az is igaz -- és bár Önök kollektíven nagyon különlegesek sok szempontból,
19:09
you're completelyteljesen typicaltipikus in not gettingszerzés the examplespéldák I gaveadott right.
368
1124000
4000
teljesen tipikusak abban, hogy rosszul válaszoltak a kérdéseimre.
19:13
It's very well documenteddokumentált that people get things wrongrossz.
369
1128000
3000
Nagyon jól dokumentált, hogy az emberek tévednek.
19:16
They make errorshibák of logiclogika in reasoningérvelés with uncertaintybizonytalanság.
370
1131000
3000
Logikai hibákat követnek el, amikor a bizonytalannal érvelnek.
19:20
We can copemegbirkózik with the subtletiesfinomságok of languagenyelv brilliantlyragyogóan --
371
1135000
2000
Nagyon jól bánunk a nyelv finom árnyalataival --
19:22
and there are interestingérdekes evolutionaryevolúciós questionskérdések about how we got here.
372
1137000
3000
és érdekes evolúciós kérdéseket vet fel, hogy hogy jutottunk ide.
19:25
We are not good at reasoningérvelés with uncertaintybizonytalanság.
373
1140000
3000
De nem tudunk jól érvelni a bizonytalansággal.
19:28
That's an issueprobléma in our everydayminden nap liveséletét.
374
1143000
2000
És ez egy probléma a mindennapi életünkben.
19:30
As you've heardhallott from manysok of the talksbeszél, statisticsstatisztika underpinsAlátámasztja an enormoushatalmas amountösszeg
375
1145000
3000
És mint azt sok előadásban hallották, a statisztika nagyon sok
19:33
of researchkutatás in sciencetudomány -- in socialtársadalmi sciencetudomány, in medicinegyógyszer
376
1148000
3000
tudományos kutatás alapja -- a társadalomtudományban,
19:36
and indeedvalóban, quiteegészen a lot of industryipar.
377
1151000
2000
az orvostudományban, sok iparágban.
19:38
All of qualityminőség controlellenőrzés, whichmelyik has had a majorJelentősebb impacthatás on industrialipari processingfeldolgozás,
378
1153000
4000
A minőségellenőrzés, aminek nagy hatása volt az ipari folyamatokra,
19:42
is underpinnedalátámasztva by statisticsstatisztika.
379
1157000
2000
alapja a statisztika.
19:44
It's something we're badrossz at doing.
380
1159000
2000
És elég rosszak vagyunk benne.
19:46
At the very leastlegkevésbé, we should recognizeelismerik that, and we tendhajlamosak not to.
381
1161000
3000
Legalább el kéne ismernünk ezt, de nem tesszük.
19:49
To go back to the legaljogi contextkontextus, at the SallySally ClarkClark trialpróba
382
1164000
4000
Hogy visszatérjek a jogi környezetre, a Sally Clark tárgyaláson
19:53
all of the lawyersügyvédek just acceptedelfogadott what the expertszakértő said.
383
1168000
4000
az összes ügyvéd elfogadta a szakértői véleményt.
19:57
So if a pediatriciangyermekorvos had come out and said to a juryzsűri,
384
1172000
2000
Ha egy gyermekorvos azt mondta volna az esküdteknek:
19:59
"I know how to buildépít bridgeshidak. I've builtépült one down the roadút.
385
1174000
3000
"Tudom hogy kell hidakat építeni. Építettem egyet arrébb.
20:02
Please drivehajtás your carautó home over it,"
386
1177000
2000
Hazafelé vezessenek át rajta",
20:04
they would have said, "Well, pediatriciansgyermekorvosok don't know how to buildépít bridgeshidak.
387
1179000
2000
az mondták volna: "A gyerekorvosok nem tudják, hogy kell hidakat építeni.
20:06
That's what engineersmérnökök do."
388
1181000
2000
Ez a mérnökök munkája."
20:08
On the other handkéz, he camejött out and effectivelyhatékonyan said, or impliedhallgatólagos,
389
1183000
3000
Másrészről viszont azt mondta, vagy legalábbis sugallta:
20:11
"I know how to reasonok with uncertaintybizonytalanság. I know how to do statisticsstatisztika."
390
1186000
3000
"Én tudom hogyan kell a bizonytalannal érvelni. Ismerem a statisztikát."
20:14
And everyonemindenki said, "Well, that's fine. He's an expertszakértő."
391
1189000
3000
És mindenki azt mondta: "Ez rendben van. Ő a szakértő."
20:17
So we need to understandmegért where our competenceszaktudás is and isn't.
392
1192000
3000
Szóval meg kell értsük, hogy mihez értünk, és mihez nem.
20:20
ExactlyPontosan the sameazonos kindsféle of issueskérdések arosekeletkeztek in the earlykorai daysnapok of DNADNS profilingprofilalkotás,
393
1195000
4000
Ugyanezek a problémák merültek fel a DNS jellemzés hajnalán,
20:24
when scientiststudósok, and lawyersügyvédek and in some casesesetek judgesbírók,
394
1199000
4000
amikor tudósok, ügyvédek, és időnként bírók,
20:28
routinelyrutinszerűen misrepresentedhamis színben tüntetik fel evidencebizonyíték.
395
1203000
3000
rendszeresen tévesen mutatták be a bizonyítékokat.
20:32
UsuallyÁltalában -- one hopesremények -- innocentlyártatlanul, but misrepresentedhamis színben tüntetik fel evidencebizonyíték.
396
1207000
3000
Általában -- remélhetőleg -- ártatlanul, de tévesen mutatták be a bizonyítékokat.
20:35
ForensicTörvényszéki scientiststudósok said, "The chancevéletlen that this guy'sfickó innocentártatlan is one in threehárom millionmillió."
397
1210000
5000
Az igazságügyi szakértő azt mondta: "Annak az esélye, hogy ez a férfi ártatlan egy a 3 millióhoz."
20:40
Even if you believe the numberszám, just like the 73 millionmillió to one,
398
1215000
2000
Még ha el is hisszük ezt a számot, csak úgy, mint az egy a 73 millióhoz,
20:42
that's not what it meantjelentett.
399
1217000
2000
nem ezt jelenti.
20:44
And there have been celebratedünnepelt appealfellebbezés casesesetek
400
1219000
2000
És ennek eredményeként híres fellebbezések
20:46
in BritainNagy-Britannia and elsewheremáshol because of that.
401
1221000
2000
folynak Nagy-Britanniában és máshol.
20:48
And just to finishBefejez in the contextkontextus of the legaljogi systemrendszer.
402
1223000
3000
És csak hogy a jogrendszer kontextusában fejezzem be.
20:51
It's all very well to say, "Let's do our bestlegjobb to presentajándék the evidencebizonyíték."
403
1226000
4000
Egy dolog azt mondani, hogy "Tegyünk meg minden tőlünk telhetőt a bizonyítékok bemutatására."
20:55
But more and more, in casesesetek of DNADNS profilingprofilalkotás -- this is anotheregy másik one --
404
1230000
3000
De egyre többször, különösen a DNS jellemzések esetében -- ez egy másik ilyen --
20:58
we expectelvár jurieszsűrik, who are ordinaryrendes people --
405
1233000
3000
azt várjuk az esküdtektől, akik átlagemberek --
21:01
and it's documenteddokumentált they're very badrossz at this --
406
1236000
2000
és bizonyítható, hogy ebben nagyon rosszak vagyunk --
21:03
we expectelvár jurieszsűrik to be ableképes to copemegbirkózik with the sortsfajta of reasoningérvelés that goesmegy on.
407
1238000
4000
azt várjuk az esküdtektől, hogy elboldoguljanak ezzel a fajta érveléssel.
21:07
In other spheresgömbök of life, if people arguedérvelt -- well, exceptkivéve possiblyesetleg for politicspolitika --
408
1242000
5000
Az élet más területein, ha az emberek -- nos, talán a politikát leszámítva --
21:12
but in other spheresgömbök of life, if people arguedérvelt illogicallyillogikusan,
409
1247000
2000
de az élet más területein, ha az emberek illogikusan érvelnek,
21:14
we'dHázasodik say that's not a good thing.
410
1249000
2000
azt mondanánk, hogy ez nem egy jó dolog.
21:16
We sortfajta of expectelvár it of politicianspolitikusok and don't hoperemény for much more.
411
1251000
4000
A politikusainktól ezt tulajdonképpen elvárjuk és nem is remélünk többet.
21:20
In the caseügy of uncertaintybizonytalanság, we get it wrongrossz all the time --
412
1255000
3000
A bizonytalanság esetében folyton tévedünk --
21:23
and at the very leastlegkevésbé, we should be awaretudatában van of that,
413
1258000
2000
a legrosszabb esetben ennek tudatában kéne lennünk,
21:25
and ideallyideálisan, we mightesetleg try and do something about it.
414
1260000
2000
a legjobban pedig megpróbálhatnánk változtatni ezen.
21:27
Thankskösz very much.
415
1262000
1000
Nagyon köszönöm.
Translated by Anna Patai
Reviewed by Laszlo Kereszturi

▲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