TEDGlobal 2005
Peter Donnelly: How juries are fooled by statistics
Peter Donnelly mostra como as estatísticas enganam os juris.
Filmed:
Readability: 3.6
1,279,860 views
O matemático de Oxford Peter Donnelly revela os erros comuns que os humanos cometem na interpretação das estatísticas - e o impacto devastador que estes erros podem ter nos resultados de julgamentos criminais.
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. Full bio
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 speakers have said, it's a rather daunting experience --
0
0
2000
Assim como outros já disseram, esta é uma experiência assustadora -
00:27
a particularly daunting experience -- to be speaking in front of this audience.
1
2000
3000
uma experiência particularmente assustadora - falar para este público.
00:30
But unlike the other speakers, I'm not going to tell you about
2
5000
3000
Mas diferente dos outros apresentadores, eu não vou falar para vocês sobre
00:33
the mysteries of the universe, or the wonders of evolution,
3
8000
2000
os mistérios do universo, ou as maravilhas da evolução,
00:35
or the really clever, innovative ways people are attacking
4
10000
4000
ou as maneiras realmente inteligentes ou inovadoras que as pessoas estão atacando
00:39
the major inequalities in our world.
5
14000
2000
as maiores desigualdades em nosso mundo.
00:41
Or even the challenges of nation-states in the modern global economy.
6
16000
5000
Ou ainda os desafios dos estados-nações na economia moderna global.
00:46
My brief, as you've just heard, is to tell you about statistics --
7
21000
4000
Meu assunto, como vocês acabaram de ouvir, é falar para vocês sobre estatísticas
00:50
and, to be more precise, to tell you some exciting things about statistics.
8
25000
3000
e, para ser mais preciso, para contar a vocês algumas coisas excitantes sobre estatísticas.
00:53
And that's --
9
28000
1000
E isto
00:54
(Laughter)
10
29000
1000
(Risos)
00:55
-- that's rather more challenging
11
30000
2000
isto ainda é muito mais desafiador
00:57
than all the speakers before me and all the ones coming after me.
12
32000
2000
do que todos os apresentadores antes de mim e todos que virão depois de mim.
00:59
(Laughter)
13
34000
1000
(Risos)
01:01
One of my senior colleagues told me, when I was a youngster in this profession,
14
36000
5000
Um dos meus colegas mais velhos me disse, quando era jovem nesta profissão
01:06
rather proudly, that statisticians were people who liked figures
15
41000
4000
bem orgulhoso, que os estatísticos eram pessoas que gostavam de números
01:10
but didn't have the personality skills to become accountants.
16
45000
3000
mas não tinham as habilidades de personalidade para se tornarem contadores.
01:13
(Laughter)
17
48000
2000
(Risos)
01:15
And there's another in-joke among statisticians, and that's,
18
50000
3000
E ainda tem uma piada interna entre os estatísticos, que é,
01:18
"How do you tell the introverted statistician from the extroverted statistician?"
19
53000
3000
"Como você diferencia um estatístico introvertido de um extrovertido?"
01:21
To which the answer is,
20
56000
2000
Ao que a resposta é,
01:23
"The extroverted statistician's the one who looks at the other person's shoes."
21
58000
5000
"O estatístico extrovertido é aquele que olha para os sapatos das outras pessoas."
01:28
(Laughter)
22
63000
3000
(Risos)
01:31
But I want to tell you something useful -- and here it is, so concentrate now.
23
66000
5000
Mas eu quero dizer a vocês algo útil - e aqui vai, vamos nos concentrar agora.
01:36
This evening, there's a reception in the University's Museum of Natural History.
24
71000
3000
Esta noite, tem uma recepção no Museu de História Natural da Universidade.
01:39
And it's a wonderful setting, as I hope you'll find,
25
74000
2000
É uma decoração maravilhosa, como eu espero que vocês irão achar,
01:41
and a great icon to the best of the Victorian tradition.
26
76000
5000
e é um grande ícone do melhor da tradição Vitoriana.
01:46
It's very unlikely -- in this special setting, and this collection of people --
27
81000
5000
É bem improvável - ainda mais nesta recepção, e com este tipo de gente -
01:51
but you might just find yourself talking to someone you'd rather wish that you weren't.
28
86000
3000
pode ser que você se encontre conversando com alguém que você preferiria que não estivesse.
01:54
So here's what you do.
29
89000
2000
Então, você faz assim:
01:56
When they say to you, "What do you do?" -- you say, "I'm a statistician."
30
91000
4000
Quando disserem a você, "O que você faz?" -- você diz, "Eu sou estatístico."
02:00
(Laughter)
31
95000
1000
(Risos)
02:01
Well, except they've been pre-warned now, and they'll know you're making it up.
32
96000
4000
Bom, a menos que já estejam pré-avisados, e eles vão saber que está inventando.
02:05
And then one of two things will happen.
33
100000
2000
Uma das duas coisas vai acontecer.
02:07
They'll either discover their long-lost cousin in the other corner of the room
34
102000
2000
Ou eles vão descobrir seus primos há muito tempo perdidos
02:09
and run over and talk to them.
35
104000
2000
no outro canto da sala e vão lá correndo conversar com eles.
02:11
Or they'll suddenly become parched and/or hungry -- and often both --
36
106000
3000
Ou de repente eles vão ficar com sede ou com fome -- ou ambos --
02:14
and sprint off for a drink and some food.
37
109000
2000
e vão atrás de bebida e alguma coisa para comer.
02:16
And you'll be left in peace to talk to the person you really want to talk to.
38
111000
4000
E então você será deixado em paz para conversar com a pessoa que você quer.
02:20
It's one of the challenges in our profession to try and explain what we do.
39
115000
3000
É um dos desafios de nossa profissão tentar e explicar o que nós fazemos.
02:23
We're not top on people's lists for dinner party guests and conversations and so on.
40
118000
5000
Nós não estamos no topo da listas de convidados das pessoas para uma festa e conversas e etc.
02:28
And it's something I've never really found a good way of doing.
41
123000
2000
E esta é uma coisa que eu nunca consegui achar um jeito bom de fazer.
02:30
But my wife -- who was then my girlfriend --
42
125000
3000
Mas minha mulher - que então era minha namorada -
02:33
managed it much better than I've ever been able to.
43
128000
3000
conseguiu isto muito melhor do que eu.
02:36
Many years ago, when we first started going out, she was working for the BBC in Britain,
44
131000
3000
Muitos anos atrás, quando a gente começou a sair, ela trabalhava pela BBC no Reino Unido,
02:39
and I was, at that stage, working in America.
45
134000
2000
e eu estava, na ocasião, trabalhando nos Estados Unidos.
02:41
I was coming back to visit her.
46
136000
2000
Eu estava voltando para visitá-la.
02:43
She told this to one of her colleagues, who said, "Well, what does your boyfriend do?"
47
138000
6000
E ela falou isto para um dos colegas dela, que disse, "Bom, o que o seu namorado faz?"
02:49
Sarah thought quite hard about the things I'd explained --
48
144000
2000
Sarah pensou bastante sobre as coisas que eu tinha explicado -
02:51
and she concentrated, in those days, on listening.
49
146000
4000
e ela se concentrava, naqueles dias, em me ouvir.
02:55
(Laughter)
50
150000
2000
(Risos)
02:58
Don't tell her I said that.
51
153000
2000
Não digam a ela que eu disse isto.
03:00
And she was thinking about the work I did developing mathematical models
52
155000
4000
E ela estava pensando sobre o trabalho que fiz desenvolvendo modelos matemáticos
03:04
for understanding evolution and modern genetics.
53
159000
3000
para entender a evolução e a genética moderna.
03:07
So when her colleague said, "What does he do?"
54
162000
3000
Então uma dos colegas dela disse, "O que ele faz?"
03:10
She paused and said, "He models things."
55
165000
4000
Ela parou, e disse, "Ele modela coisas.'
03:14
(Laughter)
56
169000
1000
(Risos)
03:15
Well, her colleague suddenly got much more interested than I had any right to expect
57
170000
4000
Bom, um dos colegas dela de repente ficou muito mais interessado do que eu tinha direito de esperar.
03:19
and went on and said, "What does he model?"
58
174000
3000
então seguiu em frente e disse, "O que ele modela?"
03:22
Well, Sarah thought a little bit more about my work and said, "Genes."
59
177000
3000
Bom, Sarah pensou um pouco mais sobre o meu trabalho e disse, "Genes (Jeans)."
03:25
(Laughter)
60
180000
4000
(Risos)
03:29
"He models genes."
61
184000
2000
"Ele modela genes (jeans)."
03:31
That is my first love, and that's what I'll tell you a little bit about.
62
186000
4000
Este foi meu primeiro amor, e é o que eu tenho para dizer um pouco a vocês
03:35
What I want to do more generally is to get you thinking about
63
190000
4000
O que eu quero fazer mais genericamente é fazer vocês pensarem sobre
03:39
the place of uncertainty and randomness and chance in our world,
64
194000
3000
o lugar da incerteza e do aleatório e das chances no nosso mundo,
03:42
and how we react to that, and how well we do or don't think about it.
65
197000
5000
e como nós reagimos a isto, e quão bem nós pensamos ou não sobre isto.
03:47
So you've had a pretty easy time up till now --
66
202000
2000
Então vocês tiveram uma folga até agora --
03:49
a few laughs, and all that kind of thing -- in the talks to date.
67
204000
2000
um pouco de risadas, e todas estas coisas -- nas conversas do dia.
03:51
You've got to think, and I'm going to ask you some questions.
68
206000
3000
Vocês tem que pensar, e eu vou fazer algumas perguntas a vocês.
03:54
So here's the scene for the first question I'm going to ask you.
69
209000
2000
Aqui está a cena para a primeira questão que eu vou perguntar a vocês.
03:56
Can you imagine tossing a coin successively?
70
211000
3000
Vocês conseguem imaginar jogar cara-ou-coroa sucessivamente?
03:59
And for some reason -- which shall remain rather vague --
71
214000
3000
E por alguma razão -- que vai ficar bem vaga --
04:02
we're interested in a particular pattern.
72
217000
2000
nós estamos interessados em um padrão em específico.
04:04
Here's one -- a head, followed by a tail, followed by a tail.
73
219000
3000
Aqui está um -- uma cara, seguida por uma coroa, seguida por uma coroa.
04:07
So suppose we toss a coin repeatedly.
74
222000
3000
Então suponha que nós joguemos a moeda repetidamente.
04:10
Then the pattern, head-tail-tail, that we've suddenly become fixated with happens here.
75
225000
5000
Então o padrão, cara-coroa-coroa, a que nós repentinamente ficamos presos acontece aqui.
04:15
And you can count: one, two, three, four, five, six, seven, eight, nine, 10 --
76
230000
4000
Então você pode contar: um, dois, três, quatro, cinco, seis, sete, oito, nove, 10 --
04:19
it happens after the 10th toss.
77
234000
2000
ela acontece após a décima jogada.
04:21
So you might think there are more interesting things to do, but humor me for the moment.
78
236000
3000
Então vocês podem estar pensando que há coisas mais interessantes para se fazer, mas me acompanhem por enquanto.
04:24
Imagine this half of the audience each get out coins, and they toss them
79
239000
4000
Imagine que a metade desta platéia pegue cada um uma moeda, e que eles as joguem.
04:28
until they first see the pattern head-tail-tail.
80
243000
3000
Até que eles vejam o padrão cara-coroa-coroa a primeira vez.
04:31
The first time they do it, maybe it happens after the 10th toss, as here.
81
246000
2000
Na primeira vez que eles façam isto, pode ser que isto acontece na décima jogada, como aqui.
04:33
The second time, maybe it's after the fourth toss.
82
248000
2000
Na segunda vez, pode ser após a quarta jogada.
04:35
The next time, after the 15th toss.
83
250000
2000
Na próxima, após a décima quinta jogada.
04:37
So you do that lots and lots of times, and you average those numbers.
84
252000
3000
Então você faz isto muitas e muitas vezes, e faz a média destes números
04:40
That's what I want this side to think about.
85
255000
3000
E sobre isto que eu quero vocês pensem.
04:43
The other half of the audience doesn't like head-tail-tail --
86
258000
2000
A outra metade da platéia não gosta de cara-coroa-coroa --
04:45
they think, for deep cultural reasons, that's boring --
87
260000
3000
eles acham, por razão culturais profundas, que é chato --
04:48
and they're much more interested in a different pattern -- head-tail-head.
88
263000
3000
e estão muito mais interessados um padrão diferente -- cara-coroa-cara.
04:51
So, on this side, you get out your coins, and you toss and toss and toss.
89
266000
3000
Então, deste lado, vocês pegam suas moedas, e jogam e jogam e jogam.
04:54
And you count the number of times until the pattern head-tail-head appears
90
269000
3000
E vocês contam o número de jogadas até que o padrão cara-coroa-cara apareça
04:57
and you average them. OK?
91
272000
3000
e vocês fazem as médias destes números, OK?
05:00
So on this side, you've got a number --
92
275000
2000
Então deste lado, vocês tem um número --
05:02
you've done it lots of times, so you get it accurately --
93
277000
2000
e vocês fizeram isto muitas vezes, então vocês o tem precisamente --
05:04
which is the average number of tosses until head-tail-tail.
94
279000
3000
qual é o número médio de jogadas até cara-coroa-coroa.
05:07
On this side, you've got a number -- the average number of tosses until head-tail-head.
95
282000
4000
Deste lado, vocês tem um número -- a média do número de jogadas até cara-coroa-cara.
05:11
So here's a deep mathematical fact --
96
286000
2000
Então aqui está uma fato matemático profundo --
05:13
if you've got two numbers, one of three things must be true.
97
288000
3000
se você tem dois números, uma destas três coisas deve ser verdade
05:16
Either they're the same, or this one's bigger than this one,
98
291000
3000
Ou eles são iguais, ou este é maior do que aquele,
05:19
or this one's bigger than that one.
99
294000
1000
ou aquele é maior do que este.
05:20
So what's going on here?
100
295000
3000
Então o que está acontecendo aqui?
05:23
So you've all got to think about this, and you've all got to vote --
101
298000
2000
Vocês todos tem que pensar sobre isto, e todos vão ter que votar --
05:25
and we're not moving on.
102
300000
1000
e nós não vamos ir adiante.
05:26
And I don't want to end up in the two-minute silence
103
301000
2000
E eu não quero acabar numa espera de dois minutos de silêncio
05:28
to give you more time to think about it, until everyone's expressed a view. OK.
104
303000
4000
para dar a vocês mais tempo para pensar sobre isto, até que todos tenham expressado um ponto de vista, OK.
05:32
So what you want to do is compare the average number of tosses until we first see
105
307000
4000
Então o que eu quero fazer é comparar a média do número de jogadas até que a gente veja
05:36
head-tail-head with the average number of tosses until we first see head-tail-tail.
106
311000
4000
cara-coroa-cara com a média de jogadas até que a gente veja cara-coroa-coroa.
05:41
Who thinks that A is true --
107
316000
2000
Quem acha que A é verdade--
05:43
that, on average, it'll take longer to see head-tail-head than head-tail-tail?
108
318000
4000
que, na média, vai demorar mais para ver cara-coroa-cara do que cara-coroa-coroa?
05:47
Who thinks that B is true -- that on average, they're the same?
109
322000
3000
Quem acha que B é verdade -- que na verdade, ambos serão iguais?
05:51
Who thinks that C is true -- that, on average, it'll take less time
110
326000
2000
Quem acha que C é verdade -- que, na média, vai tomar menos tempo
05:53
to see head-tail-head than head-tail-tail?
111
328000
3000
para ver cara-coroa-cara do que cara-coroa-coroa?
05:57
OK, who hasn't voted yet? Because that's really naughty -- I said you had to.
112
332000
3000
OK, quem não votou ainda? Porque isto é realmente impróprio -- eu disse que tinham que votar.
06:00
(Laughter)
113
335000
1000
(Risos)
06:02
OK. So most people think B is true.
114
337000
3000
OK. Então a maioria das pessoas pensam que B é verdade.
06:05
And you might be relieved to know even rather distinguished mathematicians think that.
115
340000
3000
E vocês podem se sentir aliviados que até os matemáticos mais distintos pensam isto.
06:08
It's not. A is true here.
116
343000
4000
Não é. "A" é verdade aqui.
06:12
It takes longer, on average.
117
347000
2000
Demora mais, na média.
06:14
In fact, the average number of tosses till head-tail-head is 10
118
349000
2000
De fato, o número médio de jogadas até cara-coroa-cara é 10.
06:16
and the average number of tosses until head-tail-tail is eight.
119
351000
5000
E o número médio de jogadas até cara-coroa-coroa é oito.
06:21
How could that be?
120
356000
2000
Como assim?
06:24
Anything different about the two patterns?
121
359000
3000
Alguma diferença entre os dois padrões?
06:30
There is. Head-tail-head overlaps itself.
122
365000
5000
Existe. Cara-coroa-cara se sobrepõe.
06:35
If you went head-tail-head-tail-head, you can cunningly get two occurrences
123
370000
4000
Se você obtém cara-coroa-cara-coroa-cara, você pode ter duas ocorrências
06:39
of the pattern in only five tosses.
124
374000
3000
do padrão em apenas 5 jogadas.
06:42
You can't do that with head-tail-tail.
125
377000
2000
Você não pode fazer isto com cara-coroa-coroa.
06:44
That turns out to be important.
126
379000
2000
Isto acaba sendo importante.
06:46
There are two ways of thinking about this.
127
381000
2000
Há duas formas de pensar sobre isto.
06:48
I'll give you one of them.
128
383000
2000
E eu vou mostrar uma delas a vocês.
06:50
So imagine -- let's suppose we're doing it.
129
385000
2000
Então pensem -- vamos supor que estamos fazendo isto.
06:52
On this side -- remember, you're excited about head-tail-tail;
130
387000
2000
Deste lado -- lembrem-se, você ficam felizes com cara-coroa-coroa,
06:54
you're excited about head-tail-head.
131
389000
2000
e vocês ficam felizes com cara-coroa-cara.
06:56
We start tossing a coin, and we get a head --
132
391000
3000
Nós vamos começar jogando uma moeda, e obtemos uma cara --
06:59
and you start sitting on the edge of your seat
133
394000
1000
e vocês sentam na ponta da cadeira
07:00
because something great and wonderful, or awesome, might be about to happen.
134
395000
5000
porque algo realmente bom e legal, ou maravilhoso, pode acontecer.
07:05
The next toss is a tail -- you get really excited.
135
400000
2000
A próxima jogada é uma coroa -- vocês realmente ficam excitados.
07:07
The champagne's on ice just next to you; you've got the glasses chilled to celebrate.
136
402000
4000
A champagne no gelo está do seu lado, você tem taças geladas para celebrar.
07:11
You're waiting with bated breath for the final toss.
137
406000
2000
E você está esperando quase sem ar pela última jogada.
07:13
And if it comes down a head, that's great.
138
408000
2000
Se vier uma cara, isto é ótimo.
07:15
You're done, and you celebrate.
139
410000
2000
Vocês acabam e vocês celebram.
07:17
If it's a tail -- well, rather disappointedly, you put the glasses away
140
412000
2000
Se for uma coroa -- bom, bem desapontado, você põe as taças de lado
07:19
and put the champagne back.
141
414000
2000
e a champagne de volta.
07:21
And you keep tossing, to wait for the next head, to get excited.
142
416000
3000
E ficam jogando, esperando a próxima cara, para ficarem excitados.
07:25
On this side, there's a different experience.
143
420000
2000
Neste outro lado, há uma experiência diferente.
07:27
It's the same for the first two parts of the sequence.
144
422000
3000
É o mesmo para as duas primeiras partes da sequência.
07:30
You're a little bit excited with the first head --
145
425000
2000
Vocês ficam excitados com a primeira cara --
07:32
you get rather more excited with the next tail.
146
427000
2000
ficam muito mais excitados com a próxima coroa.
07:34
Then you toss the coin.
147
429000
2000
E então vocês jogam uma moeda.
07:36
If it's a tail, you crack open the champagne.
148
431000
3000
Se for uma coroa, vocês estouram a champagne.
07:39
If it's a head you're disappointed,
149
434000
2000
Se for uma cara, vocês ficam desapontados,
07:41
but you're still a third of the way to your pattern again.
150
436000
3000
mas já estão a um terço do caminho ao seu padrão de novo.
07:44
And that's an informal way of presenting it -- that's why there's a difference.
151
439000
4000
E esta é uma maneira informal de apresentar isto -- do porquê há uma diferença
07:48
Another way of thinking about it --
152
443000
2000
Outra maneira de pensar sobre isto =--
07:50
if we tossed a coin eight million times,
153
445000
2000
Se nós jogássemos uma moeda oito milhões de vezes,
07:52
then we'd expect a million head-tail-heads
154
447000
2000
então nós esperaríamos um milhão de caras-coroas-caras
07:54
and a million head-tail-tails -- but the head-tail-heads could occur in clumps.
155
449000
7000
e uma milhão de caraa-coroas-coroas -- mas os caras-coroas-caras aconteceriam amontoados.
08:01
So if you want to put a million things down amongst eight million positions
156
456000
2000
Então se você põe um milhão de coisas no meio de oito milhões de posições
08:03
and you can have some of them overlapping, the clumps will be further apart.
157
458000
5000
e você pode ter algumas delas se sobrepondo, os amontoados vão estar ainda mais separados.
08:08
It's another way of getting the intuition.
158
463000
2000
Esta é a outra forma de entender a intuição.
08:10
What's the point I want to make?
159
465000
2000
Qual é a minha ideia?
08:12
It's a very, very simple example, an easily stated question in probability,
160
467000
4000
É um exemplo muito, muito simples, com uma pergunta facilmente colocada em probabilidade,
08:16
which every -- you're in good company -- everybody gets wrong.
161
471000
3000
que todos -- e vocês estão em boa compania -- todos erram.
08:19
This is my little diversion into my real passion, which is genetics.
162
474000
4000
É uma pequena fuga da minha real paixão, que é a genética.
08:23
There's a connection between head-tail-heads and head-tail-tails in genetics,
163
478000
3000
Há uma conexão entre caras-coroas-caras e cara-coroas-coroas e genética,
08:26
and it's the following.
164
481000
3000
e é a seguinte.
08:29
When you toss a coin, you get a sequence of heads and tails.
165
484000
3000
Quando você joga uma moeda, você tem uma sequência de caras e coroas.
08:32
When you look at DNA, there's a sequence of not two things -- heads and tails --
166
487000
3000
Quando você olha no DNA, há uma sequência não de duas coisas -- caras e coroas --
08:35
but four letters -- As, Gs, Cs and Ts.
167
490000
3000
mas de quatro letras -- As, Gs, Cs e Ts.
08:38
And there are little chemical scissors, called restriction enzymes
168
493000
3000
E há tesouras químicas, chamadas enzimas de restrição
08:41
which cut DNA whenever they see particular patterns.
169
496000
2000
que cortam o DNA sempre que encontram um padrão específico.
08:43
And they're an enormously useful tool in modern molecular biology.
170
498000
4000
E eles são uma ferramenta enormemente útil na biologia molecular moderna.
08:48
And instead of asking the question, "How long until I see a head-tail-head?" --
171
503000
3000
E ao invés de fazer a pergunta, "Quantas jogadas até eu ver cara-coroa-cara?" --
08:51
you can ask, "How big will the chunks be when I use a restriction enzyme
172
506000
3000
você pode perguntar, "Quais serão os tamanhos dos grupos quando eu usar uma enzima de restrição
08:54
which cuts whenever it sees G-A-A-G, for example?
173
509000
4000
que corta sempre que vê G-A-A-G, por exemplo?
08:58
How long will those chunks be?"
174
513000
2000
Quais são os tamanhos destes grupos?"
09:00
That's a rather trivial connection between probability and genetics.
175
515000
5000
Esta é uma conexão muito trivial entre probabilidade e genética.
09:05
There's a much deeper connection, which I don't have time to go into
176
520000
3000
E há uma conexão mais profunda, que eu não tenho tempo de falar
09:08
and that is that modern genetics is a really exciting area of science.
177
523000
3000
e que é que a genética moderna é uma área realmente excitante da ciência.
09:11
And we'll hear some talks later in the conference specifically about that.
178
526000
4000
E nós vamos escutar algumas apresentações mais tarde na conferência especifícamente sobre isto.
09:15
But it turns out that unlocking the secrets in the information generated by modern
179
530000
4000
Mas então que revelar os segredos na informação gerada pelas tecnologias
09:19
experimental technologies, a key part of that has to do with fairly sophisticated --
180
534000
5000
modernas de experimentação, uma parte chave tem a ver com um sofisticado
09:24
you'll be relieved to know that I do something useful in my day job,
181
539000
3000
vocês ficarão aliviados em saber que eu faço algo útil no meu trabalho diurno,
09:27
rather more sophisticated than the head-tail-head story --
182
542000
2000
muito mais sofisticado que a história cara-coroa-cara --
09:29
but quite sophisticated computer modelings and mathematical modelings
183
544000
4000
mas modelos de computação e de matemática bem sofisticados
09:33
and modern statistical techniques.
184
548000
2000
e técnicas estatísticas modernas.
09:35
And I will give you two little snippets -- two examples --
185
550000
3000
Eu vou mostrar dois pequenos pedaços -- dois exemplos --
09:38
of projects we're involved in in my group in Oxford,
186
553000
3000
de projetos que estamos envolvidos em meu grupo em Oxford,
09:41
both of which I think are rather exciting.
187
556000
2000
ambos que eu acho muito excitantes.
09:43
You know about the Human Genome Project.
188
558000
2000
Vocês conhecem sobre o Projeto Genoma Humano.
09:45
That was a project which aimed to read one copy of the human genome.
189
560000
4000
Este foi um projeto que tinha por meta ler uma cópia do genoma humano.
09:51
The natural thing to do after you've done that --
190
566000
2000
E a coisa natural a se fazer depois que você fez isto --
09:53
and that's what this project, the International HapMap Project,
191
568000
2000
e isto que é este projeto, Projeto Internacional HapMap,
09:55
which is a collaboration between labs in five or six different countries.
192
570000
5000
que é a colaboração entre laboratórios em cinco ou seis países diferentes.
10:00
Think of the Human Genome Project as learning what we've got in common,
193
575000
4000
Pense no Projeto Genoma Humano como um aprendizado do que nós temos em comum,
10:04
and the HapMap Project is trying to understand
194
579000
2000
e o Projeto HapMap está tentando entender
10:06
where there are differences between different people.
195
581000
2000
onde estão as diferenças entre as pessoas diferentes.
10:08
Why do we care about that?
196
583000
2000
Por que a gente se importa com isto?
10:10
Well, there are lots of reasons.
197
585000
2000
Bom, há muitas razões.
10:12
The most pressing one is that we want to understand how some differences
198
587000
4000
A mais forte é que nós queremos entender como algumas diferenças
10:16
make some people susceptible to one disease -- type-2 diabetes, for example --
199
591000
4000
podem fazer algumas pessoas mais suscetíveis a um tipo de doença -- diabete tipo-2, por exemplo --
10:20
and other differences make people more susceptible to heart disease,
200
595000
5000
e outras diferenças fazem as pessoas mais suscetíveis a doenças do coração,
10:25
or stroke, or autism and so on.
201
600000
2000
ou derrame, ou autismo e assim por diante.
10:27
That's one big project.
202
602000
2000
Este é um projeto grande.
10:29
There's a second big project,
203
604000
2000
E há um segundo projeto grande,
10:31
recently funded by the Wellcome Trust in this country,
204
606000
2000
recentemente financiado pelo Wellcome Trust neste país,
10:33
involving very large studies --
205
608000
2000
envolvendo grande estudos --
10:35
thousands of individuals, with each of eight different diseases,
206
610000
3000
milhares de indivíduos, cada um com uma destas oito doenças diferentes,
10:38
common diseases like type-1 and type-2 diabetes, and coronary heart disease,
207
613000
4000
doenças comuns como diabete tipo 1 e 2, doenças coronárias,
10:42
bipolar disease and so on -- to try and understand the genetics.
208
617000
4000
transtorno bipolar e assim por diante -- para testar e entender a genética.
10:46
To try and understand what it is about genetic differences that causes the diseases.
209
621000
3000
Para testar e entender o que há sobre as diferenças genéticas que causam as doenças.
10:49
Why do we want to do that?
210
624000
2000
Por que nós queremos fazer isto?
10:51
Because we understand very little about most human diseases.
211
626000
3000
Porque nós entendemos muito pouco sobre a maioria das doenças humanas.
10:54
We don't know what causes them.
212
629000
2000
Nós não sabemos o que as causam.
10:56
And if we can get in at the bottom and understand the genetics,
213
631000
2000
E se nós conseguirmos chegar ao fundo e entender a genética,
10:58
we'll have a window on the way the disease works,
214
633000
3000
nós teremos uma idéia sobre como as doenças funcionam.
11:01
and a whole new way about thinking about disease therapies
215
636000
2000
Uma forma totalmente diferente de pensar sobre as terapias das doenças
11:03
and preventative treatment and so on.
216
638000
3000
e sobre os tratamentos preventivos e assim por diante.
11:06
So that's, as I said, the little diversion on my main love.
217
641000
3000
E isto, como eu disse, é um pequeno desvio no meu grande amor,
11:09
Back to some of the more mundane issues of thinking about uncertainty.
218
644000
5000
De volta à algumas coisas mais mundanas do pensamento sobre a incerteza.
11:14
Here's another quiz for you --
219
649000
2000
Aqui vai uma outra pergunta a vocês --
11:16
now suppose we've got a test for a disease
220
651000
2000
agora vamos supor que nós temos um teste para uma doença
11:18
which isn't infallible, but it's pretty good.
221
653000
2000
que não é infalível, mas é muito bom.
11:20
It gets it right 99 percent of the time.
222
655000
3000
Ele acerta 99% das vezes.
11:23
And I take one of you, or I take someone off the street,
223
658000
3000
E eu pego um de vocês, ou pego alguém na rua,
11:26
and I test them for the disease in question.
224
661000
2000
e eu testo para a doença em questão
11:28
Let's suppose there's a test for HIV -- the virus that causes AIDS --
225
663000
4000
Vamos supor que seja um teste para o HIV - o vírus que causa a AIDS --
11:32
and the test says the person has the disease.
226
667000
3000
e o teste diz se a pessoa tem a doença.
11:35
What's the chance that they do?
227
670000
3000
Qual é a chance que ela tenha a doença?
11:38
The test gets it right 99 percent of the time.
228
673000
2000
O teste acerta 99% das vezes.
11:40
So a natural answer is 99 percent.
229
675000
4000
Então a resposta natural é 99%.
11:44
Who likes that answer?
230
679000
2000
Quem gosta desta resposta?
11:46
Come on -- everyone's got to get involved.
231
681000
1000
Vamos -- todo mundo tem que se envolver.
11:47
Don't think you don't trust me anymore.
232
682000
2000
Não pensem que vocês não confiam mais em mim.
11:49
(Laughter)
233
684000
1000
(Risos)
11:50
Well, you're right to be a bit skeptical, because that's not the answer.
234
685000
3000
Bom, vocês estão certos em serem um poucos céticos, porque esta não é a resposta.
11:53
That's what you might think.
235
688000
2000
Que é o que vocês poderiam pensar.
11:55
It's not the answer, and it's not because it's only part of the story.
236
690000
3000
Esta não é a resposta, e ela não é pois é apenas uma parte da história.
11:58
It actually depends on how common or how rare the disease is.
237
693000
3000
De fato isto depende de quão comum ou quão rara esta doença é.
12:01
So let me try and illustrate that.
238
696000
2000
Então deixem-me tentar e ilustrar isto.
12:03
Here's a little caricature of a million individuals.
239
698000
4000
Aqui está uma caricatura de um milhão de indivíduos
12:07
So let's think about a disease that affects --
240
702000
3000
Então vamos pensar sobre uma doença que afeta --
12:10
it's pretty rare, it affects one person in 10,000.
241
705000
2000
é bem rara, que afeta uma pessoa em 10.000.
12:12
Amongst these million individuals, most of them are healthy
242
707000
3000
Entre este milhão de indivíduos, quase todos deles estão saudáveis
12:15
and some of them will have the disease.
243
710000
2000
e alguns deles vão ter a doença.
12:17
And in fact, if this is the prevalence of the disease,
244
712000
3000
E de fato, se esta é a prevalência da doença,
12:20
about 100 will have the disease and the rest won't.
245
715000
3000
cerca de 100 terão a doença e o resto não terá.
12:23
So now suppose we test them all.
246
718000
2000
Então vamos supor que nós testamos todos eles.
12:25
What happens?
247
720000
2000
O que acontece?
12:27
Well, amongst the 100 who do have the disease,
248
722000
2000
Bom, entre os 100 que tem a doença,
12:29
the test will get it right 99 percent of the time, and 99 will test positive.
249
724000
5000
o teste vai acertar 99% das vezes, e 99 vão produzir um teste positivo.
12:34
Amongst all these other people who don't have the disease,
250
729000
2000
Entre todos os outros que não tem a doença,
12:36
the test will get it right 99 percent of the time.
251
731000
3000
o teste vai acertar 99 porcento das vezes.
12:39
It'll only get it wrong one percent of the time.
252
734000
2000
E ele só vai errar um porcento da vezes.
12:41
But there are so many of them that there'll be an enormous number of false positives.
253
736000
4000
Mas existe tantos deles que vai ter um número enorme de falso positivos.
12:45
Put that another way --
254
740000
2000
Colocado de outra forma --
12:47
of all of them who test positive -- so here they are, the individuals involved --
255
742000
5000
de todos aqueles que dão positivo -- aqui estão eles, os indivíduos envolvidos --
12:52
less than one in 100 actually have the disease.
256
747000
5000
menos de 1 em 100 de fato vão ter a doença.
12:57
So even though we think the test is accurate, the important part of the story is
257
752000
4000
Então mesmo que a gente pense que o teste é preciso, a parte importante da história é
13:01
there's another bit of information we need.
258
756000
3000
que há uma outra informação que nós precisamos.
13:04
Here's the key intuition.
259
759000
2000
Aqui está a intuição chave.
13:07
What we have to do, once we know the test is positive,
260
762000
3000
O que nós temos que fazer, uma vez que nós sabemos se o teste é positivo
13:10
is to weigh up the plausibility, or the likelihood, of two competing explanations.
261
765000
6000
é pesar a plausibilidade, ou a possibilidade, de duas explicações excludentes.
13:16
Each of those explanations has a likely bit and an unlikely bit.
262
771000
3000
Cada uma destas explicações tem uma parte provável e outra improvável.
13:19
One explanation is that the person doesn't have the disease --
263
774000
3000
Uma explicação é que a pessoa não tem a doença --
13:22
that's overwhelmingly likely, if you pick someone at random --
264
777000
3000
o que é muitíssimo provável, se você pegar alguém ao acaso --
13:25
but the test gets it wrong, which is unlikely.
265
780000
3000
mas o teste erra, o que é improvável.
13:29
The other explanation is that the person does have the disease -- that's unlikely --
266
784000
3000
A outra explicação é que a pessoa tem a doença -- o que é improvável --
13:32
but the test gets it right, which is likely.
267
787000
3000
mas o teste acerta, o que é provável.
13:35
And the number we end up with --
268
790000
2000
E o número que nós obtivemos --
13:37
that number which is a little bit less than one in 100 --
269
792000
3000
que é o número um pouco menor de 1 em 100 --
13:40
is to do with how likely one of those explanations is relative to the other.
270
795000
6000
tem a ver com quão provável uma destas explicações são em relação a outra.
13:46
Each of them taken together is unlikely.
271
801000
2000
Se juntar cada uma delas é improvável.
13:49
Here's a more topical example of exactly the same thing.
272
804000
3000
Um exemplo mais típico de uma coisa exatamente igual.
13:52
Those of you in Britain will know about what's become rather a celebrated case
273
807000
4000
Aqueles de vocês no Reino Unido vão saber sobre um caso que se tornou muito celebrado.
13:56
of a woman called Sally Clark, who had two babies who died suddenly.
274
811000
5000
de uma mulher chamada Sally Clark, que teve dois bebês que morreram repentinamente.
14:01
And initially, it was thought that they died of what's known informally as "cot death,"
275
816000
4000
E inicialmente, se pensou que eles morreram do que informalmente se conhece como morte súbita.
14:05
and more formally as "Sudden Infant Death Syndrome."
276
820000
3000
e mais formalmente como Síndrome da Morte Repentina Infantil.
14:08
For various reasons, she was later charged with murder.
277
823000
2000
Por várias razões, ela acabou sendo acusada de assassinato.
14:10
And at the trial, her trial, a very distinguished pediatrician gave evidence
278
825000
4000
E no julgamento dela, um pediatra muito distinto deu a evidência
14:14
that the chance of two cot deaths, innocent deaths, in a family like hers --
279
829000
5000
que a chance de duas mortes súbitas, mortes inocentes, numa família como a dela --
14:19
which was professional and non-smoking -- was one in 73 million.
280
834000
6000
que era profissional e não fumante -- era de uma em 73 milhões.
14:26
To cut a long story short, she was convicted at the time.
281
841000
3000
Para encurtar a história, ela foi condenada na ocasião.
14:29
Later, and fairly recently, acquitted on appeal -- in fact, on the second appeal.
282
844000
5000
Depois, e bem recentemente, saiu na apelação -- na verdade, na segunda apelação.
14:34
And just to set it in context, you can imagine how awful it is for someone
283
849000
4000
E apenas para pôr no contexto, você pode imaginar como é ruim para alguém
14:38
to have lost one child, and then two, if they're innocent,
284
853000
3000
perder uma criança, e então duas, se ela é inocente,
14:41
to be convicted of murdering them.
285
856000
2000
ser condenado por ter as assassinado.
14:43
To be put through the stress of the trial, convicted of murdering them --
286
858000
2000
Ser colocado no estresse do julgamento, condenado de assassiná-las --
14:45
and to spend time in a women's prison, where all the other prisoners
287
860000
3000
e passar um tempo na prisão feminina, onde todas as prisioneiras
14:48
think you killed your children -- is a really awful thing to happen to someone.
288
863000
5000
acham que você matou suas crianças -- é realmente uma coisa muito ruim de se acontecer a alguém
14:53
And it happened in large part here because the expert got the statistics
289
868000
5000
E isto aconteceu em grande parte aqui porque o especialista entendeu as estatísticas
14:58
horribly wrong, in two different ways.
290
873000
3000
de forma terrivelmente errada, e duas maneiras diferentes.
15:01
So where did he get the one in 73 million number?
291
876000
4000
Então de onde ele tirou o número um em 73 milhões?
15:05
He looked at some research, which said the chance of one cot death in a family
292
880000
3000
Ele viu em alguma pesquisa, que disse que a chance de uma morte súbita numa família
15:08
like Sally Clark's is about one in 8,500.
293
883000
5000
como a de Sally Clark é de cerca de um em oito mil e quinhentos.
15:13
So he said, "I'll assume that if you have one cot death in a family,
294
888000
4000
Então ele disse: "Eu vou assumir que você ter uma morte súbita numa família,
15:17
the chance of a second child dying from cot death aren't changed."
295
892000
4000
a chance de uma segunda criança morrer de morte súbita não muda."
15:21
So that's what statisticians would call an assumption of independence.
296
896000
3000
Isto é o que os estatísticos chamariam de suposição de independência.
15:24
It's like saying, "If you toss a coin and get a head the first time,
297
899000
2000
Isto é como dizer, "Se você jogar uma moeda e tiver cara na primeira vez,
15:26
that won't affect the chance of getting a head the second time."
298
901000
3000
isto não vai afetar a chance de ter cara na segunda vez."
15:29
So if you toss a coin twice, the chance of getting a head twice are a half --
299
904000
5000
Então se você joga uma moeda duas vezes, a change de ter cara duas vezes é meio --
15:34
that's the chance the first time -- times a half -- the chance a second time.
300
909000
3000
que é a chance da primeira vez -- vezes meio -- a chance da segunda vez.
15:37
So he said, "Here,
301
912000
2000
Então ele disse: "Bom, vamos assumir --
15:39
I'll assume that these events are independent.
302
914000
4000
eu vou assumir que estes eventos são independentes.
15:43
When you multiply 8,500 together twice,
303
918000
2000
Quando você multiplica oito mil e quinhentos juntos duas vezes,
15:45
you get about 73 million."
304
920000
2000
você tem cerca de 73 milhões."
15:47
And none of this was stated to the court as an assumption
305
922000
2000
E nada disto foi disto para ao tribunal como uma suposição
15:49
or presented to the jury that way.
306
924000
2000
ou apresentado ao juri desta forma.
15:52
Unfortunately here -- and, really, regrettably --
307
927000
3000
Infelizmente aqui -- e realmente, lamentavelmente --
15:55
first of all, in a situation like this you'd have to verify it empirically.
308
930000
4000
primeiro de tudo, numa situação como esta você tem que verificar isto de forma empírica.
15:59
And secondly, it's palpably false.
309
934000
2000
E em segundo, isto é paupavelmente falso.
16:02
There are lots and lots of things that we don't know about sudden infant deaths.
310
937000
5000
Há muitas e muitas coisas que nós não sabemos sobre mortes infantis súbitas.
16:07
It might well be that there are environmental factors that we're not aware of,
311
942000
3000
Pode bem ser que haja fatores ambientais que nós não sabemos,
16:10
and it's pretty likely to be the case that there are
312
945000
2000
e é bem provável que fosse o caso em que houvesse
16:12
genetic factors we're not aware of.
313
947000
2000
os fatores genéticos que nós não sabemos também.
16:14
So if a family suffers from one cot death, you'd put them in a high-risk group.
314
949000
3000
Então se uma família sofre de uma morte súbita, você os põe num grupo de alto risco.
16:17
They've probably got these environmental risk factors
315
952000
2000
Eles provavelmente tem estes fatores ambientais de risco
16:19
and/or genetic risk factors we don't know about.
316
954000
3000
e/ou fatores genéticos de risco que nós não sabemos.
16:22
And to argue, then, that the chance of a second death is as if you didn't know
317
957000
3000
E para questionar, então, a chance de uma segunda morte sem saber
16:25
that information is really silly.
318
960000
3000
esta informação é realmente boba.
16:28
It's worse than silly -- it's really bad science.
319
963000
4000
Pior que bobo -- isto é uma ciência muito ruim.
16:32
Nonetheless, that's how it was presented, and at trial nobody even argued it.
320
967000
5000
Embora, isto foi apresentado assim, e no julgamento ninguém questionou isto.
16:37
That's the first problem.
321
972000
2000
Este é o primeiro problema.
16:39
The second problem is, what does the number of one in 73 million mean?
322
974000
4000
O segundo problema é, o que este número de um em 73 milhões significa?
16:43
So after Sally Clark was convicted --
323
978000
2000
Então depois que Sally Clark foi condenada --
16:45
you can imagine, it made rather a splash in the press --
324
980000
4000
você pode imaginar, isto fez um alvoroço na imprensa --
16:49
one of the journalists from one of Britain's more reputable newspapers wrote that
325
984000
7000
um dos jornalistas de um dos jornais mais respeitados do Reino Unido escreveu que
16:56
what the expert had said was,
326
991000
2000
o que o especialista disse foi que,
16:58
"The chance that she was innocent was one in 73 million."
327
993000
5000
"A chance de ela ser inocente é de um em 73 milhões."
17:03
Now, that's a logical error.
328
998000
2000
Agora, isto é um erro de lógica.
17:05
It's exactly the same logical error as the logical error of thinking that
329
1000000
3000
É o mesmo erro de lógica daquele erro de se pensar que
17:08
after the disease test, which is 99 percent accurate,
330
1003000
2000
depois de um teste de uma doença, que é 99% preciso,
17:10
the chance of having the disease is 99 percent.
331
1005000
4000
a chance de ter a doença é 99%.
17:14
In the disease example, we had to bear in mind two things,
332
1009000
4000
No exemplo da doença, nós temos que ter em mente duas coisas,
17:18
one of which was the possibility that the test got it right or not.
333
1013000
4000
uma que é a possibilidade do teste acertar ou não.
17:22
And the other one was the chance, a priori, that the person had the disease or not.
334
1017000
4000
E a outra era a chance, a priori, de que a pessoa tivesse a doença ou não.
17:26
It's exactly the same in this context.
335
1021000
3000
É exatamente o mesmo neste contexto.
17:29
There are two things involved -- two parts to the explanation.
336
1024000
4000
Tem duas coisas envolvidas -- duas partes da explicação.
17:33
We want to know how likely, or relatively how likely, two different explanations are.
337
1028000
4000
Nós queremos saber quão provável, ou relativamente provável, duas explicações diferentes são.
17:37
One of them is that Sally Clark was innocent --
338
1032000
3000
Uma delas é que Sally Clark era inocente --
17:40
which is, a priori, overwhelmingly likely --
339
1035000
2000
o que, a priori, é muitíssimo provável --
17:42
most mothers don't kill their children.
340
1037000
3000
a maioria das mães não matam seus filhos.
17:45
And the second part of the explanation
341
1040000
2000
E a segunda parte da explicação
17:47
is that she suffered an incredibly unlikely event.
342
1042000
3000
que é que ela sofreu de um evento incrivelmente improvável.
17:50
Not as unlikely as one in 73 million, but nonetheless rather unlikely.
343
1045000
4000
Não tão improvável como um em 73 milhões, mas ainda assim bem improvável.
17:54
The other explanation is that she was guilty.
344
1049000
2000
A outra explicação é que ela era culpada.
17:56
Now, we probably think a priori that's unlikely.
345
1051000
2000
Agora, nós provavelmente achamos a priori que é improvável.
17:58
And we certainly should think in the context of a criminal trial
346
1053000
3000
E nós certamente pensamos isto no contexto de um julgamento criminal
18:01
that that's unlikely, because of the presumption of innocence.
347
1056000
3000
que é improvável, por causa da presunção da inocência.
18:04
And then if she were trying to kill the children, she succeeded.
348
1059000
4000
E então se ela estava tentando matar as crianças, ela conseguiu.
18:08
So the chance that she's innocent isn't one in 73 million.
349
1063000
4000
Então a chance que ela seja inocente não é uma em 73 milhões.
18:12
We don't know what it is.
350
1067000
2000
Nós não sabemos quanto é.
18:14
It has to do with weighing up the strength of the other evidence against her
351
1069000
4000
Isto tem a ver com pesar a força de outra evidência contra ela
18:18
and the statistical evidence.
352
1073000
2000
e a evidência estatística.
18:20
We know the children died.
353
1075000
2000
Nós sabemos que as crianças morreram.
18:22
What matters is how likely or unlikely, relative to each other,
354
1077000
4000
O que importa é quão provável ou improvável, relativamente uma a outra
18:26
the two explanations are.
355
1081000
2000
são as duas explicações.
18:28
And they're both implausible.
356
1083000
2000
Elas são ambas implausíveis.
18:31
There's a situation where errors in statistics had really profound
357
1086000
4000
E há uma situação em que os erros em estatísticas tiveram realmente profundas e
18:35
and really unfortunate consequences.
358
1090000
3000
realmente desafortunadas consequências.
18:38
In fact, there are two other women who were convicted on the basis of the
359
1093000
2000
De fato, há outras duas mulheres que foram condenadas com base na evidência
18:40
evidence of this pediatrician, who have subsequently been released on appeal.
360
1095000
4000
deste pediatra, que em seguida foram soltas na fase apelação.
18:44
Many cases were reviewed.
361
1099000
2000
Muitos casos foram revistos.
18:46
And it's particularly topical because he's currently facing a disrepute charge
362
1101000
4000
E isto é particularmente atual porque ele está enfrentando uma acusação de descrédito
18:50
at Britain's General Medical Council.
363
1105000
3000
no Conselho Britânico Médico Geral.
18:53
So just to conclude -- what are the take-home messages from this?
364
1108000
4000
Então apenas para concluir -- qual é a moral da história disto tudo?
18:57
Well, we know that randomness and uncertainty and chance
365
1112000
4000
Bom, nós sabemos que o acaso, e a incerteza, e as chances
19:01
are very much a part of our everyday life.
366
1116000
3000
fazem parte de verdade na nossa vida cotidiana.
19:04
It's also true -- and, although, you, as a collective, are very special in many ways,
367
1119000
5000
Também é verdade -- e, embora, vocês, como um grupo, são especiais em muitas maneiras,
19:09
you're completely typical in not getting the examples I gave right.
368
1124000
4000
é muito típico em não entender corretamente os exemplos que dei.
19:13
It's very well documented that people get things wrong.
369
1128000
3000
É bem documentado que as pessoas entendem errado.
19:16
They make errors of logic in reasoning with uncertainty.
370
1131000
3000
Eles cometem erros de lógica no pensamento sobre a incerteza.
19:20
We can cope with the subtleties of language brilliantly --
371
1135000
2000
Nós podemos lidar com as sutilezas da linguagem brilhantemente --
19:22
and there are interesting evolutionary questions about how we got here.
372
1137000
3000
e há questão interessantes sobre a evolução de como chegamos até aqui.
19:25
We are not good at reasoning with uncertainty.
373
1140000
3000
Nós não somos bom em pensar com incertezas.
19:28
That's an issue in our everyday lives.
374
1143000
2000
E isto é um problema na nossa vida diária.
19:30
As you've heard from many of the talks, statistics underpins an enormous amount
375
1145000
3000
Assim como vocês ouviram em muitas das apresentações, as estatísticas apoiam uma quantidade enorme
19:33
of research in science -- in social science, in medicine
376
1148000
3000
de pesquisa na ciência -- nas ciências sociais, na medicina
19:36
and indeed, quite a lot of industry.
377
1151000
2000
e de fato, muito na indústria também.
19:38
All of quality control, which has had a major impact on industrial processing,
378
1153000
4000
Todo o controle de qualidade, que tem tido um grande impacto no processamento industrial,
19:42
is underpinned by statistics.
379
1157000
2000
é apoiado pelas estatísticas.
19:44
It's something we're bad at doing.
380
1159000
2000
É algo que a gente não faz bem.
19:46
At the very least, we should recognize that, and we tend not to.
381
1161000
3000
E no mínimo, nós deveríamos reconhecer isto, e nós tendemos a não fazer.
19:49
To go back to the legal context, at the Sally Clark trial
382
1164000
4000
Voltando ao contexto legal, no julgamento de Sally Clark
19:53
all of the lawyers just accepted what the expert said.
383
1168000
4000
todos os advogados simplesmente aceitaram o que os especialistas disseram
19:57
So if a pediatrician had come out and said to a jury,
384
1172000
2000
Então se um pediatra vem e fala para o juri,
19:59
"I know how to build bridges. I've built one down the road.
385
1174000
3000
"Eu sei como construir pontes. Eu construí uma ali na estrada.
20:02
Please drive your car home over it,"
386
1177000
2000
Por favor, dirija o seu carro sobre ela."
20:04
they would have said, "Well, pediatricians don't know how to build bridges.
387
1179000
2000
eles diriam, "Bem, pediatras não sabem como construir pontes.
20:06
That's what engineers do."
388
1181000
2000
Isto é o que os engenheiros fazem."
20:08
On the other hand, he came out and effectively said, or implied,
389
1183000
3000
Por outro lado, ele veio e disse de verdade, ou de maneira implícita,
20:11
"I know how to reason with uncertainty. I know how to do statistics."
390
1186000
3000
"Eu sei como pensar sobre a incerteza. Eu sei estatísticas."
20:14
And everyone said, "Well, that's fine. He's an expert."
391
1189000
3000
E todos disseram, "Bom, está tudo bem. Ele é um especialista."
20:17
So we need to understand where our competence is and isn't.
392
1192000
3000
Então nós precisamos entender onde nossa competência está e não está.
20:20
Exactly the same kinds of issues arose in the early days of DNA profiling,
393
1195000
4000
Exatamente os mesmos problemas que surgiram nos primeiros dias de identificação por DNA
20:24
when scientists, and lawyers and in some cases judges,
394
1199000
4000
quando cientistas, e advogados e em alguns casos, juízes,
20:28
routinely misrepresented evidence.
395
1203000
3000
rotineiramente apresentaram evidências erradas.
20:32
Usually -- one hopes -- innocently, but misrepresented evidence.
396
1207000
3000
Normalmente -- assim se espera -- inocentemente, mas evidências erradas.
20:35
Forensic scientists said, "The chance that this guy's innocent is one in three million."
397
1210000
5000
Cientistas forenses disseram: "A chance que este cara seja inocente é uma em três milhões."
20:40
Even if you believe the number, just like the 73 million to one,
398
1215000
2000
Se você acredita neste número, assim como o de 73 milhões para um,
20:42
that's not what it meant.
399
1217000
2000
isto não é o que ele significa.
20:44
And there have been celebrated appeal cases
400
1219000
2000
E há casos celebrados de apelação
20:46
in Britain and elsewhere because of that.
401
1221000
2000
no Reino Unido e em outros lugares por causa disto.
20:48
And just to finish in the context of the legal system.
402
1223000
3000
E apenas para fechar no contexto do sistema legal.
20:51
It's all very well to say, "Let's do our best to present the evidence."
403
1226000
4000
Está tudo bem dizer, "Vamos fazer o nosso melhor para apresentar a evidência."
20:55
But more and more, in cases of DNA profiling -- this is another one --
404
1230000
3000
Mas mais e mais, nos casos de identificação por DNA -- e este é outro caso --
20:58
we expect juries, who are ordinary people --
405
1233000
3000
nós esperamos que os júris, que são pessoas normais --
21:01
and it's documented they're very bad at this --
406
1236000
2000
e está documentado que nós somos realmente ruins nisto --
21:03
we expect juries to be able to cope with the sorts of reasoning that goes on.
407
1238000
4000
nós esperamos que os júris sejam capazes de lidar com os tipos de pensamento que surgem.
21:07
In other spheres of life, if people argued -- well, except possibly for politics --
408
1242000
5000
Em outras áreas da vida, se as pessoas discutissem -- bom, exceto na políticas possivelmente
21:12
but in other spheres of life, if people argued illogically,
409
1247000
2000
mas em outras áreas da vida, se as pessoas discutissem ilogicamente,
21:14
we'd say that's not a good thing.
410
1249000
2000
nós diríamos que isto não é uma boa coisa.
21:16
We sort of expect it of politicians and don't hope for much more.
411
1251000
4000
Nós até esperamos isto dos políticos e não esperamos por muito mais.
21:20
In the case of uncertainty, we get it wrong all the time --
412
1255000
3000
No caso da incerteza, nós erramos o tempo todo --
21:23
and at the very least, we should be aware of that,
413
1258000
2000
e no mínimo de verdade, nós deveríamos estar cientes disto.
21:25
and ideally, we might try and do something about it.
414
1260000
2000
E idealmente, nós poderíamos tentar e fazer algo sobre isto.
21:27
Thanks very much.
415
1262000
1000
Muito obrigado.
ABOUT THE SPEAKER
Peter Donnelly - Mathematician; statisticianPeter 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.
Peter Donnelly | Speaker | TED.com