TEDGlobal 2005
Peter Donnelly: How juries are fooled by statistics
Peter Donnelly spiega come le statistiche possano indurre le giurie in errore.
Filmed:
Readability: 3.6
1,279,860 views
Il matematico oxfordiano Peter Donnelly rivela i più comuni errori che le persone compiono interpretando le statistiche... e come questi possano avere effetti devastanti in un processo giudiziario.
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
Come gli altri conferenzieri hanno detto, è un'esperienza piuttosto emozionante...
00:27
a particularly daunting experience -- to be speaking in front of this audience.
1
2000
3000
davvero molto emozionante... parlare di fronte a quest'audience.
00:30
But unlike the other speakers, I'm not going to tell you about
2
5000
3000
Ma a differenza degli altri studiosi, non vi parlerò
00:33
the mysteries of the universe, or the wonders of evolution,
3
8000
2000
dei misteri dell'universo, o del miracolo dell'evoluzione,
00:35
or the really clever, innovative ways people are attacking
4
10000
4000
o dei modi innovativi e saggi con cui oggi le persone combattono
00:39
the major inequalities in our world.
5
14000
2000
le più grandi ingiustizie del nostro mondo.
00:41
Or even the challenges of nation-states in the modern global economy.
6
16000
5000
Non parlerò neppure dei cambiamenti degli stati nazionali nella nuova economia globale.
00:46
My brief, as you've just heard, is to tell you about statistics --
7
21000
4000
Come avete appena sentito, il mio compito oggi è dirvi qualcosa sulle statistiche...
00:50
and, to be more precise, to tell you some exciting things about statistics.
8
25000
3000
e, per essere precisi, dire qualcosa di eccitante sulle statistiche.
00:53
And that's --
9
28000
1000
E questo...
00:54
(Laughter)
10
29000
1000
(Risate)
00:55
-- that's rather more challenging
11
30000
2000
è addirittura più impegnativo
00:57
than all the speakers before me and all the ones coming after me.
12
32000
2000
di tutti gli oratori che anno parlato prima e che parleranno dopo di me.
00:59
(Laughter)
13
34000
1000
(Risate)
01:01
One of my senior colleagues told me, when I was a youngster in this profession,
14
36000
5000
Quando ero ancora un novellino in questo campo, uno dei miei colleghi più anziani mi disse,
01:06
rather proudly, that statisticians were people who liked figures
15
41000
4000
piuttosto orgoglioso, che gli esperti di statistica sono persone a cui piacciono i numeri
01:10
but didn't have the personality skills to become accountants.
16
45000
3000
ma che non posseggono le abilità sociali giuste per diventare contabili.
01:13
(Laughter)
17
48000
2000
(Risate)
01:15
And there's another in-joke among statisticians, and that's,
18
50000
3000
Ci sarebbe un'altra battuta, cioè
01:18
"How do you tell the introverted statistician from the extroverted statistician?"
19
53000
3000
"Da cosa si riconosce un esperto di statistica introverso da uno estroverso?"
01:21
To which the answer is,
20
56000
2000
La risposta è questa,
01:23
"The extroverted statistician's the one who looks at the other person's shoes."
21
58000
5000
"L'estroverso è quello che guarda le scarpe di chi gli è di fronte."
01:28
(Laughter)
22
63000
3000
(Risate)
01:31
But I want to tell you something useful -- and here it is, so concentrate now.
23
66000
5000
Ma ora vorrei raccontarvi qualcosa di utile... eccoci, provate a concentrarvi.
01:36
This evening, there's a reception in the University's Museum of Natural History.
24
71000
3000
Stasera ci sarà un ricevimento al Museo Universitario di Storia Naturale.
01:39
And it's a wonderful setting, as I hope you'll find,
25
74000
2000
E' un luogo meraviglioso, spero possa piacere anche a voi,
01:41
and a great icon to the best of the Victorian tradition.
26
76000
5000
un'icona della migliore tradizione vittoriana.
01:46
It's very unlikely -- in this special setting, and this collection of people --
27
81000
5000
E' piuttosto improbabile... in questo luogo particolare, e con questo tipo di persone...
01:51
but you might just find yourself talking to someone you'd rather wish that you weren't.
28
86000
3000
ma potreste ritrovarvi a parlare con qualcuno anche se sperereste il contrario.
01:54
So here's what you do.
29
89000
2000
Ed ecco quello che fareste-
01:56
When they say to you, "What do you do?" -- you say, "I'm a statistician."
30
91000
4000
Quando vi chiederanno "Di cosa ti occupi?"... risponderete: "Di statistica".
02:00
(Laughter)
31
95000
1000
(Risate)
02:01
Well, except they've been pre-warned now, and they'll know you're making it up.
32
96000
4000
Beh, a parte il fatto che ora saranno preavvisati, quindi sapranno che cosa gli svelerete.
02:05
And then one of two things will happen.
33
100000
2000
E ora la scelta è fra due possibilità.
02:07
They'll either discover their long-lost cousin in the other corner of the room
34
102000
2000
Potrebbero avvistare il cugino di quinto grado dall'altra parte della stanza
02:09
and run over and talk to them.
35
104000
2000
e correre da lui per salutarlo.
02:11
Or they'll suddenly become parched and/or hungry -- and often both --
36
106000
3000
Oppure potrebbe immediatamente sentirsi assetati e/o affamati... di solito entrambe le cose...
02:14
and sprint off for a drink and some food.
37
109000
2000
e lanciarsi alla ricerca di qualcosa da bere e da mangiare.
02:16
And you'll be left in peace to talk to the person you really want to talk to.
38
111000
4000
A questo punto, sarete lasciati in pace a chiacchierare con la persona con cui volevate davvero parlare.
02:20
It's one of the challenges in our profession to try and explain what we do.
39
115000
3000
Una delle vere sfide nel nostro lavoro è provare a spiegare quello che facciamo.
02:23
We're not top on people's lists for dinner party guests and conversations and so on.
40
118000
5000
Non siamo nella lista d'onore per essere invitati ad una cena o per fare conversazione.
02:28
And it's something I've never really found a good way of doing.
41
123000
2000
Queste sono cose in cui non sono mai riuscito troppo bene.
02:30
But my wife -- who was then my girlfriend --
42
125000
3000
Ma mia moglie... che è stata anche la mia fidanzata...
02:33
managed it much better than I've ever been able to.
43
128000
3000
affrontava la questione molto meglio di quanto abbia mai fatto io.
02:36
Many years ago, when we first started going out, she was working for the BBC in Britain,
44
131000
3000
Molti anni fa, quando abbiamo iniziato ad uscire insieme, lavorava per la BBC in Inghilterra
02:39
and I was, at that stage, working in America.
45
134000
2000
mentre io, in quel periodo, lavoravo in America.
02:41
I was coming back to visit her.
46
136000
2000
Tornavo per andare a trovarla.
02:43
She told this to one of her colleagues, who said, "Well, what does your boyfriend do?"
47
138000
6000
Ecco quello che ha risposto ad un suo collega che le aveva chiesto "Beh, di che cosa si occupa il tuo ragazzo?"
02:49
Sarah thought quite hard about the things I'd explained --
48
144000
2000
Sarah si mise a pensare a fondo alle cose che le avevo detto...
02:51
and she concentrated, in those days, on listening.
49
146000
4000
e si concentrò, in quel periodo, ad ascoltarmi.
02:55
(Laughter)
50
150000
2000
(Risate)
02:58
Don't tell her I said that.
51
153000
2000
Ma non raccontatele che ve l'ho detto.
03:00
And she was thinking about the work I did developing mathematical models
52
155000
4000
Ragionò sul lavoro che stavo facendo per sviluppare modelli matematici
03:04
for understanding evolution and modern genetics.
53
159000
3000
per la comprensione dell'evoluzione e della genetica moderna.
03:07
So when her colleague said, "What does he do?"
54
162000
3000
Quindi quando il suo collega le chiese "Di cosa si occupa?"
03:10
She paused and said, "He models things."
55
165000
4000
aspettò un momento e rispose "Modella le cose".
03:14
(Laughter)
56
169000
1000
(Risate)
03:15
Well, her colleague suddenly got much more interested than I had any right to expect
57
170000
4000
Bene, il collega tutto d'un tratto diventò molto più interessato di quanto avrei mai sospettato
03:19
and went on and said, "What does he model?"
58
174000
3000
e continuò chiedendo "E cosa modella?"
03:22
Well, Sarah thought a little bit more about my work and said, "Genes."
59
177000
3000
Ora, Sarah ci pensò ancora un attimo e disse "I geni".
03:25
(Laughter)
60
180000
4000
(Risate)
03:29
"He models genes."
61
184000
2000
"Modella i geni."
03:31
That is my first love, and that's what I'll tell you a little bit about.
62
186000
4000
Questo è stato il mio primo amore, e di cui vi parlerò per un po'.
03:35
What I want to do more generally is to get you thinking about
63
190000
4000
In generale, mi piacerebbe che ragionassimo insieme
03:39
the place of uncertainty and randomness and chance in our world,
64
194000
3000
su come il nostro mondo sia un luogo di incertezza, casualità e opportunità
03:42
and how we react to that, and how well we do or don't think about it.
65
197000
5000
e quale sia la nostra reazione riguardo, e come pensiamo o non pensiamo a questo.
03:47
So you've had a pretty easy time up till now --
66
202000
2000
Avete passato dei bei momenti...
03:49
a few laughs, and all that kind of thing -- in the talks to date.
67
204000
2000
qualche risata, questo tipo di cose... durante questa conferenza.
03:51
You've got to think, and I'm going to ask you some questions.
68
206000
3000
Dovrete riflettere, e io vi farò qualche domanda.
03:54
So here's the scene for the first question I'm going to ask you.
69
209000
2000
Ecco lo scenario per la mia prima domanda.
03:56
Can you imagine tossing a coin successively?
70
211000
3000
Riuscite ad immaginarvi mentre lanciate una moneta di continuo?
03:59
And for some reason -- which shall remain rather vague --
71
214000
3000
E per qualche ragione... che rimarrà piuttosto vaga...
04:02
we're interested in a particular pattern.
72
217000
2000
siamo interessati ad un aspetto in particolare.
04:04
Here's one -- a head, followed by a tail, followed by a tail.
73
219000
3000
Ad esempio... testa, poi croce, poi ancora croce.
04:07
So suppose we toss a coin repeatedly.
74
222000
3000
Immaginiamo di lanciare la moneta.
04:10
Then the pattern, head-tail-tail, that we've suddenly become fixated with happens here.
75
225000
5000
A questo punto il modello testa-croce-croce su cui ci eravamo improvvisamente concentrati si ripete.
04:15
And you can count: one, two, three, four, five, six, seven, eight, nine, 10 --
76
230000
4000
E voi potete contare: uno, due, tre, quattro, cinque, sei, sette, otto, nove, dieci...
04:19
it happens after the 10th toss.
77
234000
2000
Si ripete dopo il decimo lancio.
04:21
So you might think there are more interesting things to do, but humor me for the moment.
78
236000
3000
Ora, potreste pensare che ci siano cose decisamente più interessanti da fare, ma fatemi felice per un istante.
04:24
Imagine this half of the audience each get out coins, and they toss them
79
239000
4000
Immaginate che ognuno in questa metà del pubblico tiri fuori delle monete e le lanci
04:28
until they first see the pattern head-tail-tail.
80
243000
3000
fino a vedere la sequenza testa-croce-croce.
04:31
The first time they do it, maybe it happens after the 10th toss, as here.
81
246000
2000
La prima volta che si presenta potrebbe essere dopo 10 tiri, come nel nostro caso.
04:33
The second time, maybe it's after the fourth toss.
82
248000
2000
La seconda forse dopo il quarto.
04:35
The next time, after the 15th toss.
83
250000
2000
La volta successiva dopo 15.
04:37
So you do that lots and lots of times, and you average those numbers.
84
252000
3000
Quindi lo fate un sacco di volte, e otterreste questi numeri.
04:40
That's what I want this side to think about.
85
255000
3000
E' questo di cui chiedo a questa parte del pubblico di pensare.
04:43
The other half of the audience doesn't like head-tail-tail --
86
258000
2000
Diciamo che all'altra metà la combinazione testa-croce-croce non piaccia...
04:45
they think, for deep cultural reasons, that's boring --
87
260000
3000
a causa di profonde ragioni culturali pensano sia noiosa...
04:48
and they're much more interested in a different pattern -- head-tail-head.
88
263000
3000
e trovano decisamente più interessante un'altra combinazione... testa-croce-testa.
04:51
So, on this side, you get out your coins, and you toss and toss and toss.
89
266000
3000
Quindi, da questa parte, tirate fuori monete per poi lanciare e lanciare e ancora lanciare.
04:54
And you count the number of times until the pattern head-tail-head appears
90
269000
3000
Poi contate il numero di lanci prima che si verifichi testa-croce-testa
04:57
and you average them. OK?
91
272000
3000
e fate la media. D'accordo?
05:00
So on this side, you've got a number --
92
275000
2000
Da quest'altra parte, avete un numero...
05:02
you've done it lots of times, so you get it accurately --
93
277000
2000
l'avete ripetuto molte volte, quindi è preciso...
05:04
which is the average number of tosses until head-tail-tail.
94
279000
3000
che è la media di lanci prima di ottenere testa-croce-croce.
05:07
On this side, you've got a number -- the average number of tosses until head-tail-head.
95
282000
4000
Invece il numero che ottenete voi... la media di lanci per testa-croce-testa.
05:11
So here's a deep mathematical fact --
96
286000
2000
E qui abbiamo un'importante verità matematica...
05:13
if you've got two numbers, one of three things must be true.
97
288000
3000
quando avete due numeri, uno di questi tre fatti è vero per forza.
05:16
Either they're the same, or this one's bigger than this one,
98
291000
3000
O sono uguali, o il primo è maggiore,
05:19
or this one's bigger than that one.
99
294000
1000
o è il secondo a essere maggiore.
05:20
So what's going on here?
100
295000
3000
E nel nostro caso cosa succede?
05:23
So you've all got to think about this, and you've all got to vote --
101
298000
2000
Ora, pensate a questo, e poi dovrete votare...
05:25
and we're not moving on.
102
300000
1000
e non andremo avanti senza farlo.
05:26
And I don't want to end up in the two-minute silence
103
301000
2000
E non voglio neanche cadere nei due minuti di silenzio
05:28
to give you more time to think about it, until everyone's expressed a view. OK.
104
303000
4000
per darvi altro tempo per pensarci, finché tutti non avranno espresso il loro parere. Bene.
05:32
So what you want to do is compare the average number of tosses until we first see
105
307000
4000
Quello che dovreste fare è paragonare la media del numero di lanci fino ad ottenere
05:36
head-tail-head with the average number of tosses until we first see head-tail-tail.
106
311000
4000
testa-croce-testa con la media di testa-croce-croce.
05:41
Who thinks that A is true --
107
316000
2000
Chi pensa che la proposta A sia corretta...
05:43
that, on average, it'll take longer to see head-tail-head than head-tail-tail?
108
318000
4000
cioè, che secondo la media, impiegheremo più lanci per testa-croce-testa che per testa-croce-croce?
05:47
Who thinks that B is true -- that on average, they're the same?
109
322000
3000
E chi pensa che la corretta sia la B... secondo la media, sono due numeri uguali?
05:51
Who thinks that C is true -- that, on average, it'll take less time
110
326000
2000
Chi crede che C sia giusta... secondo la media, ci si impiega di meno
05:53
to see head-tail-head than head-tail-tail?
111
328000
3000
per ottenere testa-croce-testa che testa-croce-croce?
05:57
OK, who hasn't voted yet? Because that's really naughty -- I said you had to.
112
332000
3000
Bene, e chi è che non ha ancora votato? Siete davvero disubbidienti... vi ho detto che dovete votare.
06:00
(Laughter)
113
335000
1000
(Risate)
06:02
OK. So most people think B is true.
114
337000
3000
Allora, la maggioranza delle persone pensano che sia corretta la proposta B.
06:05
And you might be relieved to know even rather distinguished mathematicians think that.
115
340000
3000
A spero siate sollevati dal fatto che anche i matematici più illustri pensano sia così.
06:08
It's not. A is true here.
116
343000
4000
Solo che non è vero. La risposta corretta è A.
06:12
It takes longer, on average.
117
347000
2000
Considerando la media, si impiegano tempi diversi.
06:14
In fact, the average number of tosses till head-tail-head is 10
118
349000
2000
Infatti, la media di lanci prima di testa-croce-testa è 10
06:16
and the average number of tosses until head-tail-tail is eight.
119
351000
5000
mentre la media per testa-croce-croce è 8.
06:21
How could that be?
120
356000
2000
Come può essere possibile?
06:24
Anything different about the two patterns?
121
359000
3000
C'è qualcosa di diverso nelle due combinazioni?
06:30
There is. Head-tail-head overlaps itself.
122
365000
5000
In effetti, sì. Testa-croce-testa si sovrappone.
06:35
If you went head-tail-head-tail-head, you can cunningly get two occurrences
123
370000
4000
Se vi trovate testa-croce-testa-croce-testa, riuscirete a trovare facilmente per due volte
06:39
of the pattern in only five tosses.
124
374000
3000
la combinazione in solo cinque lanci.
06:42
You can't do that with head-tail-tail.
125
377000
2000
Ma non ci riuscirete con testa-croce-croce.
06:44
That turns out to be important.
126
379000
2000
E questo alla fine è importante.
06:46
There are two ways of thinking about this.
127
381000
2000
Ci sono due interpretazioni possibili per questo fatto.
06:48
I'll give you one of them.
128
383000
2000
Ora ve ne spiego una.
06:50
So imagine -- let's suppose we're doing it.
129
385000
2000
Immaginiamo... diciamo che state facendo la stessa cosa di prima.
06:52
On this side -- remember, you're excited about head-tail-tail;
130
387000
2000
Da questa parte... vi ricordate, vi interessa testa-croce-croce,
06:54
you're excited about head-tail-head.
131
389000
2000
e a voi testa-croce-testa.
06:56
We start tossing a coin, and we get a head --
132
391000
3000
Lanciamo una moneta, e viene fuori testa...
06:59
and you start sitting on the edge of your seat
133
394000
1000
ora siete aggrappati al bordo delle vostre poltroncine
07:00
because something great and wonderful, or awesome, might be about to happen.
134
395000
5000
perché qualcosa di magico e meraviglioso, di splendido, potrebbe accadere.
07:05
The next toss is a tail -- you get really excited.
135
400000
2000
Ora lanciamo di nuovo e esce croce... siete tutti molto emozionati.
07:07
The champagne's on ice just next to you; you've got the glasses chilled to celebrate.
136
402000
4000
Lo champagne è nella ghiacciaia vicino a voi, e i bicchieri sono pronti per brindare.
07:11
You're waiting with bated breath for the final toss.
137
406000
2000
Aspettate l'ultimo lancio trattenendo il respiro.
07:13
And if it comes down a head, that's great.
138
408000
2000
E se esce testa, è perfetto.
07:15
You're done, and you celebrate.
139
410000
2000
Ce l'avrete fatta e inizierete a festeggiare.
07:17
If it's a tail -- well, rather disappointedly, you put the glasses away
140
412000
2000
Se invece è croce... beh, con disappunto dovrete mettere via i bicchieri
07:19
and put the champagne back.
141
414000
2000
e riporre lo champagne.
07:21
And you keep tossing, to wait for the next head, to get excited.
142
416000
3000
E continuerete a lanciare, aspettando testa, per emozionarvi di nuovo.
07:25
On this side, there's a different experience.
143
420000
2000
Da quest'altra parte, l'esperienza sarà diversa.
07:27
It's the same for the first two parts of the sequence.
144
422000
3000
E' identica per i primi due lanci.
07:30
You're a little bit excited with the first head --
145
425000
2000
Sarete emozionati all'uscita di testa...
07:32
you get rather more excited with the next tail.
146
427000
2000
lo sarete ancora di più quando esce croce.
07:34
Then you toss the coin.
147
429000
2000
Ora lancio la moneta.
07:36
If it's a tail, you crack open the champagne.
148
431000
3000
Se esce croce, stapperete lo champagne.
07:39
If it's a head you're disappointed,
149
434000
2000
Se esce testa vi dispiacerà,
07:41
but you're still a third of the way to your pattern again.
150
436000
3000
ma sarete comunque a un terzo della strada per ottenere la combinazione giusta.
07:44
And that's an informal way of presenting it -- that's why there's a difference.
151
439000
4000
Questo è un modo informale per presentare il problema... è qui che c'è la differenza.
07:48
Another way of thinking about it --
152
443000
2000
Ecco un'altro modo di pensarla...
07:50
if we tossed a coin eight million times,
153
445000
2000
se lanciamo una moneta otto milioni di volte,
07:52
then we'd expect a million head-tail-heads
154
447000
2000
ci possiamo aspettare un milione di testa-croce-testa
07:54
and a million head-tail-tails -- but the head-tail-heads could occur in clumps.
155
449000
7000
e un milione di testa-croce-croce... ma testa-croce-testa può presentarsi in gruppi.
08:01
So if you want to put a million things down amongst eight million positions
156
456000
2000
Quindi, se volete provare a mettere un milione di cose in otto milioni di posizioni
08:03
and you can have some of them overlapping, the clumps will be further apart.
157
458000
5000
che possono essere sovrapposte, i gruppi saranno più lontani gli uni dagli altri.
08:08
It's another way of getting the intuition.
158
463000
2000
Questo è un altro modo per comprendere il fenomeno.
08:10
What's the point I want to make?
159
465000
2000
Dov'è che voglio arrivare?
08:12
It's a very, very simple example, an easily stated question in probability,
160
467000
4000
E' un esempio davvero molto semplice, un problema di facile soluzione con le probabilità,
08:16
which every -- you're in good company -- everybody gets wrong.
161
471000
3000
e che tutti... siete in buona compagnia... tutti sbagliano.
08:19
This is my little diversion into my real passion, which is genetics.
162
474000
4000
Questa è una piccola variante della mia vera passione, la genetica.
08:23
There's a connection between head-tail-heads and head-tail-tails in genetics,
163
478000
3000
C'è un legame tra testa-croce-testa e testa-croce-croce in genetica,
08:26
and it's the following.
164
481000
3000
ora ve la spiego.
08:29
When you toss a coin, you get a sequence of heads and tails.
165
484000
3000
Lanciando una moneta, si ha una sequenza di teste e i croci.
08:32
When you look at DNA, there's a sequence of not two things -- heads and tails --
166
487000
3000
Quando pensate al DNA non c'è una sequenza di due elementi... testa e croce...
08:35
but four letters -- As, Gs, Cs and Ts.
167
490000
3000
ma di quattro lettere... A, G, C e T.
08:38
And there are little chemical scissors, called restriction enzymes
168
493000
3000
E ci sono delle piccole forbici, gli enzimi di restrizione,
08:41
which cut DNA whenever they see particular patterns.
169
496000
2000
che tagliano il DNA ogni volta che trovano delle combinazioni particolari.
08:43
And they're an enormously useful tool in modern molecular biology.
170
498000
4000
Sono degli strumenti di enorme importanza nella moderna biologia molecolare.
08:48
And instead of asking the question, "How long until I see a head-tail-head?" --
171
503000
3000
Quindi, piuttosto che chiederci "Quanti lanci impiegherò per avere testa-croce-testa?"
08:51
you can ask, "How big will the chunks be when I use a restriction enzyme
172
506000
3000
potremo domandare "Quanto grosse saranno le parti se uso un enzima di restrizione
08:54
which cuts whenever it sees G-A-A-G, for example?
173
509000
4000
che taglia il DNA ogni volta che trova, ad esempio, G-A-A-G?
08:58
How long will those chunks be?"
174
513000
2000
E quanto lungo sarà?"
09:00
That's a rather trivial connection between probability and genetics.
175
515000
5000
Questa è una connessione abbastanza superficiale tra probabilità e genetica.
09:05
There's a much deeper connection, which I don't have time to go into
176
520000
3000
Ce n'è una molto più profonda, su cui non ho il tempo di dilungarmi
09:08
and that is that modern genetics is a really exciting area of science.
177
523000
3000
ed è per questo che la genetica moderna è un'area della scienza così eccitante.
09:11
And we'll hear some talks later in the conference specifically about that.
178
526000
4000
Più tardi potremo sentire degli interventi specifici su questo problema.
09:15
But it turns out that unlocking the secrets in the information generated by modern
179
530000
4000
Si è anche scoperto che scoprire i segreti delle informazioni generate dagli
09:19
experimental technologies, a key part of that has to do with fairly sophisticated --
180
534000
5000
esperimenti tecnologici si basa fondamentalmente su forme più sofisticate...
09:24
you'll be relieved to know that I do something useful in my day job,
181
539000
3000
credo sarete sollevati nel sapere che faccio anche qualcosa di utile nel mio lavoro,
09:27
rather more sophisticated than the head-tail-head story --
182
542000
2000
di più sofisticato del trucco con testa-croce-testa...
09:29
but quite sophisticated computer modelings and mathematical modelings
183
544000
4000
sui modelli sofisticati al computer, sui modelli matematici
09:33
and modern statistical techniques.
184
548000
2000
e sulle moderne tecniche statistiche.
09:35
And I will give you two little snippets -- two examples --
185
550000
3000
Vi darò due flash... insomma, due esempi...
09:38
of projects we're involved in in my group in Oxford,
186
553000
3000
sui progetti di cui mi occupo con il mio gruppo di Oxford,
09:41
both of which I think are rather exciting.
187
556000
2000
entrambi piuttosto interessanti.
09:43
You know about the Human Genome Project.
188
558000
2000
Conoscerete tutti il Human Genome Project.
09:45
That was a project which aimed to read one copy of the human genome.
189
560000
4000
Era un progetto che aveva lo scopo di decifrare il genoma umano.
09:51
The natural thing to do after you've done that --
190
566000
2000
La cosa ovvia da fare dopo esserci riusciti...
09:53
and that's what this project, the International HapMap Project,
191
568000
2000
è la nascita di un altro progetto, l'International HapMap Project,
09:55
which is a collaboration between labs in five or six different countries.
192
570000
5000
una collaborazione tra i laboratori di cinque o sei diversi paesi.
10:00
Think of the Human Genome Project as learning what we've got in common,
193
575000
4000
Provate ad immaginare lo Humane Genome Project come la comprensione di cosa abbiamo in comune,
10:04
and the HapMap Project is trying to understand
194
579000
2000
e lo HapMap Project come un tentativo di capire
10:06
where there are differences between different people.
195
581000
2000
dove si trovino le differenze tra persone diverse.
10:08
Why do we care about that?
196
583000
2000
Perché ci interessano queste cose?
10:10
Well, there are lots of reasons.
197
585000
2000
Sapete, ci sono molte ragioni.
10:12
The most pressing one is that we want to understand how some differences
198
587000
4000
Quella più importante è che vogliamo capire come alcune differenze
10:16
make some people susceptible to one disease -- type-2 diabetes, for example --
199
591000
4000
rendano alcune persone predisposte ad alcune malattie... il diabete di tipo 2, per esempio...
10:20
and other differences make people more susceptible to heart disease,
200
595000
5000
e altre differenze portino predisposizione a malattie cardiache,
10:25
or stroke, or autism and so on.
201
600000
2000
ictus o autismo.
10:27
That's one big project.
202
602000
2000
E' un progetto davvero straordinario.
10:29
There's a second big project,
203
604000
2000
E ce n'è anche un secondo,
10:31
recently funded by the Wellcome Trust in this country,
204
606000
2000
fondato da poco in questo stato dal Wellcome Trust,
10:33
involving very large studies --
205
608000
2000
che coinvolge un altissimo numero di studi...
10:35
thousands of individuals, with each of eight different diseases,
206
610000
3000
migliaia di persone, che soffrono di uno fra otto differenti sindromi,
10:38
common diseases like type-1 and type-2 diabetes, and coronary heart disease,
207
613000
4000
malattie comuni come il diabete di primo e secondo tipo, disfunzioni coronariche,
10:42
bipolar disease and so on -- to try and understand the genetics.
208
617000
4000
disturbo bipolare e altre... e cerchiamo di individuarne le cause genetiche.
10:46
To try and understand what it is about genetic differences that causes the diseases.
209
621000
3000
Individuare e capire quali sono le differenze genetiche che causano queste malattie.
10:49
Why do we want to do that?
210
624000
2000
Perché vogliamo farlo?
10:51
Because we understand very little about most human diseases.
211
626000
3000
Perché sappiamo davvero molto poco sulla maggior parte delle malattie umane.
10:54
We don't know what causes them.
212
629000
2000
Non sappiamo cosa le provochi.
10:56
And if we can get in at the bottom and understand the genetics,
213
631000
2000
Se riuscissimo ad andare a monte e conoscerne la genesi,
10:58
we'll have a window on the way the disease works,
214
633000
3000
saremo un passo in avanti nella comprensione di come si sviluppano.
11:01
and a whole new way about thinking about disease therapies
215
636000
2000
E quindi avremo un modo del tutto nuovo di programmare le terapie
11:03
and preventative treatment and so on.
216
638000
3000
e i trattamenti preventivi.
11:06
So that's, as I said, the little diversion on my main love.
217
641000
3000
E questo, come vi dicevo prima, è una piccola digressione verso il mio primo amore.
11:09
Back to some of the more mundane issues of thinking about uncertainty.
218
644000
5000
Ma torniamo ad un modo più ortodosso di pensare all'incertezza.
11:14
Here's another quiz for you --
219
649000
2000
Ed ecco a voi un altro quiz...
11:16
now suppose we've got a test for a disease
220
651000
2000
ora supponiamo di avere un esame per una malattia
11:18
which isn't infallible, but it's pretty good.
221
653000
2000
non infallibile, ma abbastanza preciso.
11:20
It gets it right 99 percent of the time.
222
655000
3000
Risulta affidabile per il 99 percento dei casi.
11:23
And I take one of you, or I take someone off the street,
223
658000
3000
E ora scelgo uno di voi, o qualcuno che passa per la strada,
11:26
and I test them for the disease in question.
224
661000
2000
e lo sottopongo alle analisi per la malattia in questione.
11:28
Let's suppose there's a test for HIV -- the virus that causes AIDS --
225
663000
4000
Diciamo che è un test per l'HIV... il virus che causa l'AIDS...
11:32
and the test says the person has the disease.
226
667000
3000
e secondo l'esame risulta che la persona è infetta.
11:35
What's the chance that they do?
227
670000
3000
Qual è la probabilità che sia vero?
11:38
The test gets it right 99 percent of the time.
228
673000
2000
L'esame è corretto il 99 percento delle volte.
11:40
So a natural answer is 99 percent.
229
675000
4000
Quindi la risposta più ovvia è il 99 percento.
11:44
Who likes that answer?
230
679000
2000
A chi piace questa risposta?
11:46
Come on -- everyone's got to get involved.
231
681000
1000
Coraggio... tutti devono essere coinvolti.
11:47
Don't think you don't trust me anymore.
232
682000
2000
Non voglio pensare che non vi fidate di me.
11:49
(Laughter)
233
684000
1000
(Risate)
11:50
Well, you're right to be a bit skeptical, because that's not the answer.
234
685000
3000
Beh, avete anche ragione a essere un po' scettici, perché quella non era la risposta.
11:53
That's what you might think.
235
688000
2000
E' quello che avreste potuto pensare.
11:55
It's not the answer, and it's not because it's only part of the story.
236
690000
3000
E non è la risposta perché vi ho raccontato solo una parte della storia.
11:58
It actually depends on how common or how rare the disease is.
237
693000
3000
Infatti, molto dipende da quanto comune o rara sia la malattia.
12:01
So let me try and illustrate that.
238
696000
2000
Permettetemi di farvi vedere.
12:03
Here's a little caricature of a million individuals.
239
698000
4000
Questa è una piccola caricatura di un milione di individui.
12:07
So let's think about a disease that affects --
240
702000
3000
E ora pensiamo a una malattia che colpisce...
12:10
it's pretty rare, it affects one person in 10,000.
241
705000
2000
diciamo che è abbastanza rara, colpisce una persona su 10000.
12:12
Amongst these million individuals, most of them are healthy
242
707000
3000
Quindi tra questo milione di persone la maggior parte è sana
12:15
and some of them will have the disease.
243
710000
2000
e solo qualcuno è malato.
12:17
And in fact, if this is the prevalence of the disease,
244
712000
3000
In effetti, se la percentuale della malattia fosse quella che vi ho detto,
12:20
about 100 will have the disease and the rest won't.
245
715000
3000
circa cento ne sarebbero colpiti e il resto no.
12:23
So now suppose we test them all.
246
718000
2000
Ora supponiamo di sottoporli tutti alle analisi.
12:25
What happens?
247
720000
2000
Cosa succede?
12:27
Well, amongst the 100 who do have the disease,
248
722000
2000
Vedete, tra i 100 che sono malati
12:29
the test will get it right 99 percent of the time, and 99 will test positive.
249
724000
5000
l'esame sarà corretto solo il 99 percento delle volte, quindi 99 volte sarà risulterà positivo.
12:34
Amongst all these other people who don't have the disease,
250
729000
2000
Tra le altre persone che non sono affette dalla malattia
12:36
the test will get it right 99 percent of the time.
251
731000
3000
il test continuerà ad essere corretto il 99 percento di volte.
12:39
It'll only get it wrong one percent of the time.
252
734000
2000
Sarà sbagliato solo per l'un percento.
12:41
But there are so many of them that there'll be an enormous number of false positives.
253
736000
4000
Ma ci sono talmente tanti sani rispetto ai malati che risulterà un numero enorme di falsi positivi.
12:45
Put that another way --
254
740000
2000
Guardiamo il problema da un altro punto di vista...
12:47
of all of them who test positive -- so here they are, the individuals involved --
255
742000
5000
di tutti quelli il cui esame risulta positivo... insomma, tra tutti quelli coinvolti...
12:52
less than one in 100 actually have the disease.
256
747000
5000
meno di uno su 100 è malato.
12:57
So even though we think the test is accurate, the important part of the story is
257
752000
4000
Quindi anche se crediamo che un test sia accurato, la cosa importante è che
13:01
there's another bit of information we need.
258
756000
3000
c'è un altra informazione di cui abbiamo bisogno.
13:04
Here's the key intuition.
259
759000
2000
E questo è il punto di svolta.
13:07
What we have to do, once we know the test is positive,
260
762000
3000
Quello che dobbiamo fare, una volta che un test risulta positivo,
13:10
is to weigh up the plausibility, or the likelihood, of two competing explanations.
261
765000
6000
è di considerare la credibilità, la probabilità secondo due diverse impostazioni.
13:16
Each of those explanations has a likely bit and an unlikely bit.
262
771000
3000
Ognuna di esse è più o meno credibile.
13:19
One explanation is that the person doesn't have the disease --
263
774000
3000
Una possibilità è che la persona non sia malata...
13:22
that's overwhelmingly likely, if you pick someone at random --
264
777000
3000
decisamente probabile, prendendo delle persona a caso...
13:25
but the test gets it wrong, which is unlikely.
265
780000
3000
ma che il test sia sbagliato, il che è improbabile.
13:29
The other explanation is that the person does have the disease -- that's unlikely --
266
784000
3000
L'altra spiegazione è che la persona è davvero malato... cosa improbabile...
13:32
but the test gets it right, which is likely.
267
787000
3000
e che il test sia corretto, che è probabile.
13:35
And the number we end up with --
268
790000
2000
Alla fine il numero che troviamo...
13:37
that number which is a little bit less than one in 100 --
269
792000
3000
che sarà leggermente inferiore rispetto a uno su 100...
13:40
is to do with how likely one of those explanations is relative to the other.
270
795000
6000
sarà basato su quanto probabile è una spiegazione rispetto all'altra.
13:46
Each of them taken together is unlikely.
271
801000
2000
Prese insieme, comunque, sono entrambi improbabili.
13:49
Here's a more topical example of exactly the same thing.
272
804000
3000
Ed ecco un esempio più attuale della stessa identica cosa.
13:52
Those of you in Britain will know about what's become rather a celebrated case
273
807000
4000
Molti di voi in Inghilterra sapranno di un caso ormai famoso
13:56
of a woman called Sally Clark, who had two babies who died suddenly.
274
811000
5000
di una donna di nome Sally Clark, i cui due bambini morirono improvvisamente.
14:01
And initially, it was thought that they died of what's known informally as "cot death,"
275
816000
4000
Inizialmente, si pensò che fossero morti per quello che famigliarmente è chiamata "morte in culla",
14:05
and more formally as "Sudden Infant Death Syndrome."
276
820000
3000
o, più formalmente, Sindrome della Morte Bianca.
14:08
For various reasons, she was later charged with murder.
277
823000
2000
Per diversi motivi, in seguito è stata processata per omicidio.
14:10
And at the trial, her trial, a very distinguished pediatrician gave evidence
278
825000
4000
E al processo, il suo processo, un pediatra spiegò
14:14
that the chance of two cot deaths, innocent deaths, in a family like hers --
279
829000
5000
che la possibilità di due morti in culla, due morti innocenti, in una famiglia come la sua...
14:19
which was professional and non-smoking -- was one in 73 million.
280
834000
6000
di professionisti non fumatori... era di una su 73 milioni.
14:26
To cut a long story short, she was convicted at the time.
281
841000
3000
Per farla breve, a quel punto venne condannata.
14:29
Later, and fairly recently, acquitted on appeal -- in fact, on the second appeal.
282
844000
5000
Più tardi, in realtà recentemente, è stata prosciolta in appello... in effetti, in secondo appello.
14:34
And just to set it in context, you can imagine how awful it is for someone
283
849000
4000
E solo per farvi capire la situazione, immaginate quanto possa essere terribile
14:38
to have lost one child, and then two, if they're innocent,
284
853000
3000
perdere un bambino, e poi un altro, e anche essendo innocenti
14:41
to be convicted of murdering them.
285
856000
2000
venire condannati per omicidio.
14:43
To be put through the stress of the trial, convicted of murdering them --
286
858000
2000
Dover sopportare lo stress del processo, essere condannati...
14:45
and to spend time in a women's prison, where all the other prisoners
287
860000
3000
passare il tempo in una prigione femminile, dove tutte le altre
14:48
think you killed your children -- is a really awful thing to happen to someone.
288
863000
5000
pensano che tu abbia ucciso i tuoi figli... è una cosa terrificante.
14:53
And it happened in large part here because the expert got the statistics
289
868000
5000
E in questo caso è accaduta soprattutto perché l'esperto ha interpretato i dati statistici
14:58
horribly wrong, in two different ways.
290
873000
3000
in modo assolutamente sbagliato, e per due motivi.
15:01
So where did he get the one in 73 million number?
291
876000
4000
Dov'è che aveva trovato uno su 73 milioni?
15:05
He looked at some research, which said the chance of one cot death in a family
292
880000
3000
Aveva letto alcune ricerche, secondo cui la possibilità di morte in culla in una famiglia
15:08
like Sally Clark's is about one in 8,500.
293
883000
5000
come quella di Sally Clark era una su 8500.
15:13
So he said, "I'll assume that if you have one cot death in a family,
294
888000
4000
Quindi si era detto "Supponendo di avere una morte in culla in una famiglia,
15:17
the chance of a second child dying from cot death aren't changed."
295
892000
4000
allora la possibilità che un altro bambino muoia è identica."
15:21
So that's what statisticians would call an assumption of independence.
296
896000
3000
E questo è quello che gli esperti in statistica chiamano assunto di indipendenza.
15:24
It's like saying, "If you toss a coin and get a head the first time,
297
899000
2000
Sarebbe un po' come dire "Se lanci una moneta e la prima volta esce testa,
15:26
that won't affect the chance of getting a head the second time."
298
901000
3000
questo non avrà alcun peso nella possibilità di avere testa anche la seconda volta".
15:29
So if you toss a coin twice, the chance of getting a head twice are a half --
299
904000
5000
Quindi se lanciate per due volte, la probabilità di avere per due volte testa è di metà...
15:34
that's the chance the first time -- times a half -- the chance a second time.
300
909000
3000
la possibilità di avere testa... e un'altra metà... per la seconda volta testa.
15:37
So he said, "Here,
301
912000
2000
Quindi ha pensato "Ehi, pensiamo...
15:39
I'll assume that these events are independent.
302
914000
4000
credo che questi eventi siano indipendenti.
15:43
When you multiply 8,500 together twice,
303
918000
2000
E quando moltiplichiamo 8500 per se stesso
15:45
you get about 73 million."
304
920000
2000
si ottiene circa 73 milioni".
15:47
And none of this was stated to the court as an assumption
305
922000
2000
E niente di tutto questo è stato spiegato alla corte come un'ipotesi
15:49
or presented to the jury that way.
306
924000
2000
o presentato in questo modo alla giuria.
15:52
Unfortunately here -- and, really, regrettably --
307
927000
3000
Sfortunatamente in questo caso... e, in realtà, purtroppo...
15:55
first of all, in a situation like this you'd have to verify it empirically.
308
930000
4000
in primo luogo, in situazioni simili c'è bisogno di verificare le teorie in modo empirico.
15:59
And secondly, it's palpably false.
309
934000
2000
E, comunque,era una statistica evidentemente falsa.
16:02
There are lots and lots of things that we don't know about sudden infant deaths.
310
937000
5000
Ci sono milioni di cose che non sappiamo sulle morti bianche.
16:07
It might well be that there are environmental factors that we're not aware of,
311
942000
3000
Possono concorrere fattori ambientali di cui non sappiamo nulla,
16:10
and it's pretty likely to be the case that there are
312
945000
2000
e ci sono buone probabilità che ci siano anche
16:12
genetic factors we're not aware of.
313
947000
2000
fattori genetici che noi non conosciamo.
16:14
So if a family suffers from one cot death, you'd put them in a high-risk group.
314
949000
3000
Quindi se una famiglia ha subito una morte in culla, la si considererebbe parte di un gruppo ad alto rischio.
16:17
They've probably got these environmental risk factors
315
952000
2000
Probabilmente erano presenti fattori ambientali di rischio
16:19
and/or genetic risk factors we don't know about.
316
954000
3000
e/o fattori genetici di cui non sappiamo niente.
16:22
And to argue, then, that the chance of a second death is as if you didn't know
317
957000
3000
E, quindi, sostenere che c'é un valore statistico su una seconda morte senza
16:25
that information is really silly.
318
960000
3000
avere queste informazioni è molto stupido.
16:28
It's worse than silly -- it's really bad science.
319
963000
4000
Anzi, è peggio che stupido... è scienza di livello bassissimo.
16:32
Nonetheless, that's how it was presented, and at trial nobody even argued it.
320
967000
5000
Inoltre, al processo sono state presentate queste prove e nessuno ne ha dubitato.
16:37
That's the first problem.
321
972000
2000
Questo è il primo punto.
16:39
The second problem is, what does the number of one in 73 million mean?
322
974000
4000
Il secondo problema è questo: cosa significa il numero 73 milioni?
16:43
So after Sally Clark was convicted --
323
978000
2000
Dopo che Sally Clark venne condannata...
16:45
you can imagine, it made rather a splash in the press --
324
980000
4000
ve lo immaginerete, è stata una manna dei giornali...
16:49
one of the journalists from one of Britain's more reputable newspapers wrote that
325
984000
7000
un giornalista di una delle testate inglesi più affidabili scrisse che
16:56
what the expert had said was,
326
991000
2000
quello che l'esperto aveva detto era
16:58
"The chance that she was innocent was one in 73 million."
327
993000
5000
"C'è una possibilità su 73 milioni che sia innocente."
17:03
Now, that's a logical error.
328
998000
2000
Ora, questo è un errore di logica.
17:05
It's exactly the same logical error as the logical error of thinking that
329
1000000
3000
E' lo stesso identico errore di pensare che
17:08
after the disease test, which is 99 percent accurate,
330
1003000
2000
dopo un esame medico, affidabile al 99 percento,
17:10
the chance of having the disease is 99 percent.
331
1005000
4000
le possibilità di avere la malattia sono del 99 percento.
17:14
In the disease example, we had to bear in mind two things,
332
1009000
4000
Nel caso della malattia, dobbiamo tenere a mente due fattori,
17:18
one of which was the possibility that the test got it right or not.
333
1013000
4000
uno dei quali è la possibilità che il test sia o non sia corretto.
17:22
And the other one was the chance, a priori, that the person had the disease or not.
334
1017000
4000
L'altro è la possibilità, a priori, che il paziente sia o non sia malato.
17:26
It's exactly the same in this context.
335
1021000
3000
Nel contesto giudiziario si è presentato lo stesso problema.
17:29
There are two things involved -- two parts to the explanation.
336
1024000
4000
Due fattori erano da considerare... due elementi della spiegazione.
17:33
We want to know how likely, or relatively how likely, two different explanations are.
337
1028000
4000
E vorremmo sapere quanto probabili, o relativamente probabili, siano le due spiegazioni.
17:37
One of them is that Sally Clark was innocent --
338
1032000
3000
Il primo è che Sally Clark fosse innocente...
17:40
which is, a priori, overwhelmingly likely --
339
1035000
2000
cosa che, a priori, è decisamente probabile...
17:42
most mothers don't kill their children.
340
1037000
3000
la maggior parte delle madri non uccide i propri bambini.
17:45
And the second part of the explanation
341
1040000
2000
Il secondo, invece,
17:47
is that she suffered an incredibly unlikely event.
342
1042000
3000
è che sia stata vittima di un evento incredibilmente improbabile.
17:50
Not as unlikely as one in 73 million, but nonetheless rather unlikely.
343
1045000
4000
Non così tanto improbabile quanto uno su 73 milioni, ma comunque piuttosto raro.
17:54
The other explanation is that she was guilty.
344
1049000
2000
L'altra possibile spiegazione è che fosse colpevole.
17:56
Now, we probably think a priori that's unlikely.
345
1051000
2000
Ora, molto probabilmente crediamo a priori che non sia così.
17:58
And we certainly should think in the context of a criminal trial
346
1053000
3000
E sicuramente dovremmo pensarlo in un processo,
18:01
that that's unlikely, because of the presumption of innocence.
347
1056000
3000
ricordandoci della presunzione di innocenza.
18:04
And then if she were trying to kill the children, she succeeded.
348
1059000
4000
Allora, se avesse cercato di uccidere i suoi bambini, ci era riuscita.
18:08
So the chance that she's innocent isn't one in 73 million.
349
1063000
4000
Quindi la probabilità che fosse innocente non era di uno su 73 milioni.
18:12
We don't know what it is.
350
1067000
2000
Non sappiamo quale fosse.
18:14
It has to do with weighing up the strength of the other evidence against her
351
1069000
4000
Per saperlo sarebbe servito sommare le altre prove a suo carico
18:18
and the statistical evidence.
352
1073000
2000
e la prova fornita dalla statistica.
18:20
We know the children died.
353
1075000
2000
Sappiamo che i bambini sono morti.
18:22
What matters is how likely or unlikely, relative to each other,
354
1077000
4000
Quello che importa è quanto siano realistiche o meno le due possibili
18:26
the two explanations are.
355
1081000
2000
spiegazioni.
18:28
And they're both implausible.
356
1083000
2000
E, in realtà, sono entrambe irrealistiche.
18:31
There's a situation where errors in statistics had really profound
357
1086000
4000
Questa è una situazione in cui gli errori di statistica hanno avuto pesanti
18:35
and really unfortunate consequences.
358
1090000
3000
e davvero infelici conseguenze.
18:38
In fact, there are two other women who were convicted on the basis of the
359
1093000
2000
In fatti, ci sono state altre due donne condannate sulla base
18:40
evidence of this pediatrician, who have subsequently been released on appeal.
360
1095000
4000
delle prove fornite dal pediatra, e che sono state in seguito scagionate.
18:44
Many cases were reviewed.
361
1099000
2000
Molti altri casi sono stati riesaminati.
18:46
And it's particularly topical because he's currently facing a disrepute charge
362
1101000
4000
Tutto questo è particolarmente attuale, perché in questo periodo lui sta subendo un processo di discredito
18:50
at Britain's General Medical Council.
363
1105000
3000
presso il Britain's General Medical Council.
18:53
So just to conclude -- what are the take-home messages from this?
364
1108000
4000
E ora, per concludere... qual è il succo da ricordarci di tutto il discorso?
18:57
Well, we know that randomness and uncertainty and chance
365
1112000
4000
Beh, ciascuno di noi sa che il caso, l'incertezza e la probabilità
19:01
are very much a part of our everyday life.
366
1116000
3000
fanno parte della vita di tutti i giorni.
19:04
It's also true -- and, although, you, as a collective, are very special in many ways,
367
1119000
5000
Ma è anche vero... e, benché, come gruppo, siate eccezionali,
19:09
you're completely typical in not getting the examples I gave right.
368
1124000
4000
siete stati assolutamente nella norma a sbagliare gli esercizi che vi ho proposto.
19:13
It's very well documented that people get things wrong.
369
1128000
3000
E' documentato molto bene che le persone spesso sbagliano.
19:16
They make errors of logic in reasoning with uncertainty.
370
1131000
3000
Spesso ragionando sull'improbabilità si fanno errori di logica.
19:20
We can cope with the subtleties of language brilliantly --
371
1135000
2000
Riusciamo a destreggiarci brillantemente con le sottigliezze della lingua...
19:22
and there are interesting evolutionary questions about how we got here.
372
1137000
3000
e ci sono domande interessantissimi sull'evoluzione riguardo il perché ne siamo capaci.
19:25
We are not good at reasoning with uncertainty.
373
1140000
3000
Ma non siamo altrettanto bravi nel campo dell'incertezza.
19:28
That's an issue in our everyday lives.
374
1143000
2000
E questo può essere un problema nella vita quotidiana.
19:30
As you've heard from many of the talks, statistics underpins an enormous amount
375
1145000
3000
Come avrete sentito da molti dei conferenzieri, le statistiche sostengono un altissimo numero
19:33
of research in science -- in social science, in medicine
376
1148000
3000
di ricerche scientifiche... nelle scienze sociali, in medicina
19:36
and indeed, quite a lot of industry.
377
1151000
2000
e, alla fine, anche in gran parte delle ricerche industriali.
19:38
All of quality control, which has had a major impact on industrial processing,
378
1153000
4000
Tutti i controlli sulla qualità, che sono di grandissima rilevanza nel processo industriale,
19:42
is underpinned by statistics.
379
1157000
2000
si basano sulle statistiche.
19:44
It's something we're bad at doing.
380
1159000
2000
Ma è qualcosa in cui riusciamo male.
19:46
At the very least, we should recognize that, and we tend not to.
381
1161000
3000
In conclusione, ci dovremmo ricordare di questo fatto, ma tendiamo a non farlo.
19:49
To go back to the legal context, at the Sally Clark trial
382
1164000
4000
Tornando al campo giuridico, durante il processo a Sally Clark
19:53
all of the lawyers just accepted what the expert said.
383
1168000
4000
tutti gli avvocati non fecero altro che accettare quello che era stato detto dall'esperto.
19:57
So if a pediatrician had come out and said to a jury,
384
1172000
2000
Ma se il pediatra se ne fosse uscito dicendo alla giuria dicendo
19:59
"I know how to build bridges. I've built one down the road.
385
1174000
3000
"Ehi, so come costruire un ponte. Ne ho appena costruito uno qui in strada.
20:02
Please drive your car home over it,"
386
1177000
2000
Potete passarci sopra per tornare a casa in macchina"
20:04
they would have said, "Well, pediatricians don't know how to build bridges.
387
1179000
2000
gli avrebbero risposto "Beh, i pediatri non sanno costruire i ponti.
20:06
That's what engineers do."
388
1181000
2000
Quello è un compito per gli ingegneri."
20:08
On the other hand, he came out and effectively said, or implied,
389
1183000
3000
Ma d'altra parte lui è davvero saltato fuori dicendo, o comunque volendo dire
20:11
"I know how to reason with uncertainty. I know how to do statistics."
390
1186000
3000
"So come operare con l'incertezza. So come interpretare le statistiche."
20:14
And everyone said, "Well, that's fine. He's an expert."
391
1189000
3000
E tutti hanno risposto: "Ah, bene. Ascoltiamolo, è un esperto."
20:17
So we need to understand where our competence is and isn't.
392
1192000
3000
Abbiamo tutti bisogno di capire cos'è e cosa non è nostra competenza.
20:20
Exactly the same kinds of issues arose in the early days of DNA profiling,
393
1195000
4000
Lo stesso problema si presenta con le moderne tecnologie di profiling con il DNA,
20:24
when scientists, and lawyers and in some cases judges,
394
1199000
4000
quando scienziati, avvocati e in qualche caso anche i giudici
20:28
routinely misrepresented evidence.
395
1203000
3000
sistematicamente travisano il significato delle prove.
20:32
Usually -- one hopes -- innocently, but misrepresented evidence.
396
1207000
3000
Di solito... al meno si spera... in buona fede, ma le interpretano male.
20:35
Forensic scientists said, "The chance that this guy's innocent is one in three million."
397
1210000
5000
L'esperto forense dice "La probabilità che quest'uomo sia innocente è una su tre milioni."
20:40
Even if you believe the number, just like the 73 million to one,
398
1215000
2000
E anche se fate fede al numero, come nel caso di uno su 73 milioni,
20:42
that's not what it meant.
399
1217000
2000
non è questo il significato di una cifra.
20:44
And there have been celebrated appeal cases
400
1219000
2000
E ci sono stati casi a cui si è ricorso all'appello
20:46
in Britain and elsewhere because of that.
401
1221000
2000
in Inghilterra come ovunque per questo motivo.
20:48
And just to finish in the context of the legal system.
402
1223000
3000
L'ultima cosa riguardo la legislatura.
20:51
It's all very well to say, "Let's do our best to present the evidence."
403
1226000
4000
Va benissimo dire "Facciamo del nostro meglio per presentare le prove".
20:55
But more and more, in cases of DNA profiling -- this is another one --
404
1230000
3000
Ma sempre più spesso, nel caso del DNA... per fare un altro esempio...
20:58
we expect juries, who are ordinary people --
405
1233000
3000
pretendiamo che i membri della giuria, persone ordinarie...
21:01
and it's documented they're very bad at this --
406
1236000
2000
ed è documentato che non sono preparatissimi a questo...
21:03
we expect juries to be able to cope with the sorts of reasoning that goes on.
407
1238000
4000
pretendiamo che siano in grado di seguire ogni sorta di ragionamento sul DNA.
21:07
In other spheres of life, if people argued -- well, except possibly for politics --
408
1242000
5000
In altri campi, quando le persone discutono... beh, forse a parte la politica.
21:12
but in other spheres of life, if people argued illogically,
409
1247000
2000
Ma in tutti gli altri campi, se le persone sostengono cose senza senso,
21:14
we'd say that's not a good thing.
410
1249000
2000
sappiamo che non sta andando bene.
21:16
We sort of expect it of politicians and don't hope for much more.
411
1251000
4000
Possiamo aspettarcelo dai politici e neanche speriamo in qualcosa di meglio.
21:20
In the case of uncertainty, we get it wrong all the time --
412
1255000
3000
Nel caso dell'incertezza, ci sbagliamo tutte le volte...
21:23
and at the very least, we should be aware of that,
413
1258000
2000
e, alla fin fine, dobbiamo esserne consapevoli.
21:25
and ideally, we might try and do something about it.
414
1260000
2000
L'ideale sarebbe provare a migliorare questa situazione.
21:27
Thanks very much.
415
1262000
1000
Grazie mille.
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