TEDGlobal 2005
Peter Donnelly: How juries are fooled by statistics
Peter Donnelly: Como os júris são enganados pela estatística
Filmed:
Readability: 3.6
1,279,860 views
Peter Donnelly, matemático de Oxford, revela os erros vulgares que as pessoas fazem ao interpretarem as estatísticas — e o impacto devastador que esses erros podem ter sobre o resultado 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
Como outros oradores já disseram,
00:27
a particularly daunting experience -- to be speaking in front of this audience.
1
2000
3000
é uma experiência assustadora
falar em frente desta audiência.
falar em frente desta audiência.
00:30
But unlike the other speakers, I'm not going to tell you about
2
5000
3000
Mas, ao contrário dos outros oradores,
não vou falar dos mistérios do universo
nem das maravilhas da evolução,
nem das maravilhas da evolução,
00:33
the mysteries of the universe, or the wonders of evolution,
3
8000
2000
00:35
or the really clever, innovative ways people are attacking
4
10000
4000
nem das formas inteligentes e inovadoras
com que as pessoas estão a atacar
as desigualdades no nosso mundo.
as desigualdades no nosso mundo.
00:39
the major inequalities in our world.
5
14000
2000
00:41
Or even the challenges of nation-states in the modern global economy.
6
16000
5000
Nem mesmo dos problemas das nações-estados
na moderna economia mundial.
na moderna economia mundial.
00:46
My brief, as you've just heard, is to tell you about statistics --
7
21000
4000
Como já ouviram dizer,
vou falar de estatísticas
vou falar de estatísticas
00:50
and, to be more precise, to tell you some exciting things about statistics.
8
25000
3000
e, para ser mais preciso, vou falar
de coisas apaixonantes na estatística.
de coisas apaixonantes na estatística.
00:53
And that's --
9
28000
1000
00:54
(Laughter)
10
29000
1000
(Risos)
00:55
-- that's rather more challenging
11
30000
2000
Para mim, 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 oradores antes de mim
e dos que vierem depois.
e dos que vierem depois.
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 disse-me,
quando eu era novato nesta profissão,
quando eu era novato nesta profissão,
01:06
rather proudly, that statisticians were people who liked figures
15
41000
4000
orgulhosamente, que os estatísticos
eram pessoas que gostavam de números,
eram pessoas que gostavam de números,
01:10
but didn't have the personality skills to become accountants.
16
45000
3000
mas não tinham a personalidade necessária
para serem contabilistas.
para serem contabilistas.
01:13
(Laughter)
17
48000
2000
(Risos)
01:15
And there's another in-joke among statisticians, and that's,
18
50000
3000
Há uma outra piada,
entre os estatísticos, que é:
entre os estatísticos, que é:
01:18
"How do you tell the introverted statistician from the extroverted statistician?"
19
53000
3000
"Qual a diferença entre um estatístico
introvertido e um extrovertido?"
introvertido e um extrovertido?"
01:21
To which the answer is,
20
56000
2000
01:23
"The extroverted statistician's the one who looks at the other person's shoes."
21
58000
5000
E a resposta é:
"O estatístico extrovertido é aquele
que olha para os sapatos dos outros".
que olha para os sapatos dos outros".
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 falar-vos de uma coisa
útil — cá vai, por isso concentrem-se.
útil — cá vai, por isso concentrem-se.
01:36
This evening, there's a reception in the University's Museum of Natural History.
24
71000
3000
Esta noite, há uma receção no Museu
de História Natural da Universidade.
de História Natural da Universidade.
01:39
And it's a wonderful setting, as I hope you'll find,
25
74000
2000
É um ambiente magnífico,
espero que apreciem,
espero que apreciem,
01:41
and a great icon to the best of the Victorian tradition.
26
76000
5000
é um muito representativo
do melhor da tradição vitoriana.
do melhor da tradição vitoriana.
01:46
It's very unlikely -- in this special setting, and this collection of people --
27
81000
5000
É pouco provável — neste ambiente especial
e com este grupo de pessoas —
e com este grupo de pessoas —
01:51
but you might just find yourself talking to someone you'd rather wish that you weren't.
28
86000
3000
mas talvez se encontrem a falar com alguém
com quem preferiam não falar.
com quem preferiam não falar.
01:54
So here's what you do.
29
89000
2000
Nesse caso, façam o seguinte:
Quando vos perguntarem:
Quando vos perguntarem:
01:56
When they say to you, "What do you do?" -- you say, "I'm a statistician."
30
91000
4000
"O que é que faz?", digam:
"Sou estatístico".
"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
O pior é que agora já estão avisados
e sabem que vocês estão a fingir.
e sabem que vocês estão a fingir.
02:05
And then one of two things will happen.
33
100000
2000
Então, acontece uma destas duas coisas.
02:07
They'll either discover their long-lost cousin in the other corner of the room
34
102000
2000
Ou descobrem um primo distante
no outro canto da sala
no outro canto da sala
02:09
and run over and talk to them.
35
104000
2000
e vão a correr falar com ele,
02:11
Or they'll suddenly become parched and/or hungry -- and often both --
36
106000
3000
ou ficam com sede ou fome,
ou as duas coisas,
ou as duas coisas,
02:14
and sprint off for a drink and some food.
37
109000
2000
e vão à procura duma bebida
e de qualquer coisa para comer.
e de qualquer 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 vocês ficam à vontade para falarem
com a pessoa que pretendem.
com a pessoa que pretendem.
02:20
It's one of the challenges in our profession to try and explain what we do.
39
115000
3000
É um dos problemas na nossa profissão
tentar explicar o que fazemos.
tentar explicar o que fazemos.
02:23
We're not top on people's lists for dinner party guests and conversations and so on.
40
118000
5000
Não somos os melhores convivas
para jantares nem para conversas.
para jantares nem para conversas.
02:28
And it's something I've never really found a good way of doing.
41
123000
2000
E é uma coisa
para que nunca tive muito jeito
para que nunca tive muito jeito
02:30
But my wife -- who was then my girlfriend --
42
125000
3000
Mas a minha mulher — que, na altura,
era minha namorada —
era minha namorada —
02:33
managed it much better than I've ever been able to.
43
128000
3000
conseguia-o 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
Há muitos anos, quando começámos a sair,
ela trabalhava para a BBC, na Grã-Bretanha
ela trabalhava para a BBC, na Grã-Bretanha
02:39
and I was, at that stage, working in America.
45
134000
2000
e eu, naquela altura, trabalhava nos EUA.
02:41
I was coming back to visit her.
46
136000
2000
Eu tinha vindo visitá-la.
02:43
She told this to one of her colleagues, who said, "Well, what does your boyfriend do?"
47
138000
6000
Ela disse isso a uma colega,
que perguntou:
que perguntou:
"O que é que o teu namorado faz?"
02:49
Sarah thought quite hard about the things I'd explained --
48
144000
2000
Sarah pôs-se a refletir
nas coisas que eu lhe contava
nas coisas que eu lhe contava
02:51
and she concentrated, in those days, on listening.
49
146000
4000
— naquele tempo, fazia um esforço
para me escutar.
para me escutar.
02:55
(Laughter)
50
150000
2000
(Risos)
02:58
Don't tell her I said that.
51
153000
2000
Não lhe digam que eu contei isto.
03:00
And she was thinking about the work I did developing mathematical models
52
155000
4000
Pensava no trabalho que eu fazia
a desenvolver modelos matemáticos
a desenvolver modelos matemáticos
03:04
for understanding evolution and modern genetics.
53
159000
3000
para compreender a evolução
e a genética moderna.
e a genética moderna.
03:07
So when her colleague said, "What does he do?"
54
162000
3000
Por isso, quando a colega perguntou:
"O que é que ele faz?"
"O que é que ele faz?"
03:10
She paused and said, "He models things."
55
165000
4000
ela respondeu: "Modela coisas".
(Risos)
03:14
(Laughter)
56
169000
1000
03:15
Well, her colleague suddenly got much more interested than I had any right to expect
57
170000
4000
A colega ficou muito mais interessada
do que eu tinha o direito a esperar
do que eu tinha o direito a esperar
03:19
and went on and said, "What does he model?"
58
174000
3000
e continuou a perguntar:
"O que é que ele modela?"
"O que é que ele modela?"
03:22
Well, Sarah thought a little bit more about my work and said, "Genes."
59
177000
3000
Sarah pensou um pouco mais
no meu trabalho e disse: "Genes".
no meu trabalho e disse: "Genes".
03:25
(Laughter)
60
180000
4000
(Risos)
03:29
"He models genes."
61
184000
2000
"Modela genes".
03:31
That is my first love, and that's what I'll tell you a little bit about.
62
186000
4000
É esse o meu primeiro amor,
e não vos digo mais nada sobre isso.
e não vos digo mais nada sobre isso.
03:35
What I want to do more generally is to get you thinking about
63
190000
4000
O que eu queria, de modo geral,
é pôr-vos a pensar
é pôr-vos a pensar
03:39
the place of uncertainty and randomness and chance in our world,
64
194000
3000
no papel da incerteza, do aleatório
e do acaso, no nosso mundo,
e do acaso, 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 reagimos a isso,
como pensamos nisso, bem ou mal.
como pensamos nisso, bem ou mal.
03:47
So you've had a pretty easy time up till now --
66
202000
2000
Vocês já passaram um bom bocado,
até agora
até agora
03:49
a few laughs, and all that kind of thing -- in the talks to date.
67
204000
2000
— umas gargalhadas, e isso tudo —
nas palestras até aqui.
nas palestras até aqui.
03:51
You've got to think, and I'm going to ask you some questions.
68
206000
3000
Vão ter que pensar e eu vou fazer
umas perguntas.
umas perguntas.
03:54
So here's the scene for the first question I'm going to ask you.
69
209000
2000
Este é o cenário para a primeira pergunta
que vou fazer.
que vou fazer.
03:56
Can you imagine tossing a coin successively?
70
211000
3000
Imaginem uma moeda
a ser lançada ao ar, sucessivamente.
a ser lançada ao ar, sucessivamente.
03:59
And for some reason -- which shall remain rather vague --
71
214000
3000
Por alguma razão
— que se vai manter bastante vaga —
— que se vai manter bastante vaga —
04:02
we're interested in a particular pattern.
72
217000
2000
estamos interessados num padrão especial.
04:04
Here's one -- a head, followed by a tail, followed by a tail.
73
219000
3000
É este — uma cara, seguida
por uma coroa, seguida por uma coroa
por uma coroa, seguida por uma coroa
04:07
So suppose we toss a coin repeatedly.
74
222000
3000
Suponham que atiram
uma moeda ao ar, repetidas vezes.
uma moeda ao ar, repetidas vezes.
04:10
Then the pattern, head-tail-tail, that we've suddenly become fixated with happens here.
75
225000
5000
Então, o padrão caras-coroa-coroa,
que escolhemos, ocorre aqui.
que escolhemos, ocorre aqui.
04:15
And you can count: one, two, three, four, five, six, seven, eight, nine, 10 --
76
230000
4000
Podemos contar: um, dois, três, quatro,
cinco, seis, sete, oito, nove, dez
cinco, seis, sete, oito, nove, dez
04:19
it happens after the 10th toss.
77
234000
2000
— acontece após o 10.º lançamento.
04:21
So you might think there are more interesting things to do, but humor me for the moment.
78
236000
3000
Podem pensar que há coisas
mais interessantes para fazer,
mais interessantes para fazer,
04:24
Imagine this half of the audience each get out coins, and they toss them
79
239000
4000
mas tenham paciência.
Imaginem que esta metade da audiência
tem moedas e as lançam ao ar,
tem moedas e as lançam ao ar,
04:28
until they first see the pattern head-tail-tail.
80
243000
3000
até que veem o padrão
cara-coroa-coroa.
cara-coroa-coroa.
04:31
The first time they do it, maybe it happens after the 10th toss, as here.
81
246000
2000
Pode acontecer que a primeira vez
ocorra depois do 10.º lançamento.
ocorra depois do 10.º lançamento.
04:33
The second time, maybe it's after the fourth toss.
82
248000
2000
A segunda vez talvez após o quarto.
04:35
The next time, after the 15th toss.
83
250000
2000
A vez seguinte, após o 15.º.
04:37
So you do that lots and lots of times, and you average those numbers.
84
252000
3000
Fazemos muitos lançamentos
e tiramos a média a esses números.
e tiramos a média a esses números.
04:40
That's what I want this side to think about.
85
255000
3000
É nisso que eu quero que este lado pense.
04:43
The other half of the audience doesn't like head-tail-tail --
86
258000
2000
A outra metade da audiência
não gosta de cara-coroa-coroa.
não gosta de cara-coroa-coroa.
04:45
they think, for deep cultural reasons, that's boring --
87
260000
3000
Por profundas razões culturais,
pensam que é aborrecida.
pensam que é aborrecida.
04:48
and they're much more interested in a different pattern -- head-tail-head.
88
263000
3000
Estão mais interessados
noutro padrão — cara-coroa-cara.
noutro padrão — cara-coroa-cara.
04:51
So, on this side, you get out your coins, and you toss and toss and toss.
89
266000
3000
Deste lado, recebem as moedas
e começam os lançamentos.
e começam os lançamentos.
04:54
And you count the number of times until the pattern head-tail-head appears
90
269000
3000
Contam o número de vezes,
até aparecer o padrão cara-coroa-cara
até aparecer o padrão cara-coroa-cara
04:57
and you average them. OK?
91
272000
3000
e fazem a média. Ok?
05:00
So on this side, you've got a number --
92
275000
2000
Então, deste lado, têm um número
05:02
you've done it lots of times, so you get it accurately --
93
277000
2000
— fizeram isso montes de vezes,
têm um número exato —
têm um número exato —
05:04
which is the average number of tosses until head-tail-tail.
94
279000
3000
que é o número médio
de lançamentos até cara-coroa-coroa.
de lançamentos 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, têm o número médio
de lançamentos até cara-coroa-cara.
de lançamentos até cara-coroa-cara.
05:11
So here's a deep mathematical fact --
96
286000
2000
Há uma regra matemática fundamental
05:13
if you've got two numbers, one of three things must be true.
97
288000
3000
— se já têm os dois números,
uma de três coisas é verdade.
uma de três coisas é verdade.
05:16
Either they're the same, or this one's bigger than this one,
98
291000
3000
Ou são iguais, ou este
é maior do que este,
é maior do que este,
05:19
or this one's bigger than that one.
99
294000
1000
ou este é maior do que este.
05:20
So what's going on here?
100
295000
3000
O que se passa aqui?
05:23
So you've all got to think about this, and you've all got to vote --
101
298000
2000
Agora vão ter que pensar nisto
e vão ter que votar
e vão ter que votar
05:25
and we're not moving on.
102
300000
1000
e daqui não saímos.
05:26
And I don't want to end up in the two-minute silence
103
301000
2000
Não quero dar-vos tempo demais
para refletir nisso,
para refletir nisso,
05:28
to give you more time to think about it, until everyone's expressed a view. OK.
104
303000
4000
enquanto não tiverem votado todos.
05:32
So what you want to do is compare the average number of tosses until we first see
105
307000
4000
Comparem o número médio de lançamentos
até termos visto cara-coroa-coroa,
até termos visto cara-coroa-coroa,
05:36
head-tail-head with the average number of tosses until we first see head-tail-tail.
106
311000
4000
com o número médio de lançamentos
até termos visto cara-coroa-cara.
até termos visto cara-coroa-cara.
05:41
Who thinks that A is true --
107
316000
2000
Quem acha que A é verdadeiro,
05:43
that, on average, it'll take longer to see head-tail-head than head-tail-tail?
108
318000
4000
que, em média, é mais demorado ver
caras-coroa-caras do que cara-coroa-coroa?
caras-coroa-caras do que cara-coroa-coroa?
05:47
Who thinks that B is true -- that on average, they're the same?
109
322000
3000
Quem pensa que B é verdadeiro,
que, em média, são iguais?
que, em média, são iguais?
05:51
Who thinks that C is true -- that, on average, it'll take less time
110
326000
2000
Quem pensa que C é verdadeiro,
05:53
to see head-tail-head than head-tail-tail?
111
328000
3000
que, em média, é menos demorado ver
cara-coroa-cara do que cara-coroa-coroa?
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
Quem é que não votou?
Isso é muito chato,
eu disse que tinham que votar.
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
A maior parte das pessoas
acha que B é que é verdade.
acha que B é que é verdade.
06:05
And you might be relieved to know even rather distinguished mathematicians think that.
115
340000
3000
Podem ficar tranquilos porque
eminentes matemáticos pensam o mesmo.
eminentes matemáticos pensam o mesmo.
06:08
It's not. A is true here.
116
343000
4000
Mas não é. É A que é verdade,
06:12
It takes longer, on average.
117
347000
2000
Demora mais tempo, em média.
06:14
In fact, the average number of tosses till head-tail-head is 10
118
349000
2000
O número médio de lançamentos
até cara-coroa-cara é 10
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 lançamentos
até cara-coroa-coroa é 8.
até cara-coroa-coroa é 8.
06:21
How could that be?
120
356000
2000
Como é que isso pode ser?
06:24
Anything different about the two patterns?
121
359000
3000
Há alguma diferença entre os dois padrões?
06:30
There is. Head-tail-head overlaps itself.
122
365000
5000
Há sim. Em cara-coroa-cara
a última é igual à primeira.
a última é igual à primeira.
06:35
If you went head-tail-head-tail-head, you can cunningly get two occurrences
123
370000
4000
Se fizessem cara-coroa-cara-coroa-cara,
podiam obter facilmente duas ocorrências
podiam obter facilmente duas ocorrências
06:39
of the pattern in only five tosses.
124
374000
3000
do padrão apenas em cinco lançamentos.
06:42
You can't do that with head-tail-tail.
125
377000
2000
Não podem fazer isso
com cara-coroa-coroa.
com cara-coroa-coroa.
06:44
That turns out to be important.
126
379000
2000
Acontece que isto é importante.
06:46
There are two ways of thinking about this.
127
381000
2000
Há duas formas de pensar nisto.
06:48
I'll give you one of them.
128
383000
2000
Vou dar-vos uma delas.
06:50
So imagine -- let's suppose we're doing it.
129
385000
2000
Suponhamos que começamos os lançamentos.
06:52
On this side -- remember, you're excited about head-tail-tail;
130
387000
2000
Lembrem-se, deste lado estão obcecados
com cara-coroa-coroa,
com cara-coroa-coroa,
06:54
you're excited about head-tail-head.
131
389000
2000
e vocês com cara-coroa-cara.
06:56
We start tossing a coin, and we get a head --
132
391000
3000
Começamos os lançamentos
e sai cara.
e sai cara.
06:59
and you start sitting on the edge of your seat
133
394000
1000
Vocês retorcem-se na cadeira,
07:00
because something great and wonderful, or awesome, might be about to happen.
134
395000
5000
porque pode estar para acontecer
uma coisa maravilhosa, espantosa.
uma coisa maravilhosa, espantosa.
07:05
The next toss is a tail -- you get really excited.
135
400000
2000
O lançamento seguinte é coroa
— vocês ficam entusiasmadíssimos.
— vocês ficam entusiasmadíssimos.
07:07
The champagne's on ice just next to you; you've got the glasses chilled to celebrate.
136
402000
4000
O champanhe no gelo está perto,
os copos estão gelados, para a festa.
os copos estão gelados, para a festa.
07:11
You're waiting with bated breath for the final toss.
137
406000
2000
Estão à espera, de respiração suspensa,
do lançamento final.
do lançamento final.
07:13
And if it comes down a head, that's great.
138
408000
2000
Se for cara, é ótimo.
07:15
You're done, and you celebrate.
139
410000
2000
Ficam contentes e é uma festa.
07:17
If it's a tail -- well, rather disappointedly, you put the glasses away
140
412000
2000
Se for coroa, desiludidos,
põem os copos de lado
põem os copos de lado
07:19
and put the champagne back.
141
414000
2000
e mandam embora o champanhe.
07:21
And you keep tossing, to wait for the next head, to get excited.
142
416000
3000
Continuam os lançamentos
à espera que saia cara.
à espera que saia cara.
07:25
On this side, there's a different experience.
143
420000
2000
Deste 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 nas duas primeiras
partes da sequência.
partes da sequência.
07:30
You're a little bit excited with the first head --
145
425000
2000
Ficam um pouco entusiasmados
com a primeira cara
com a primeira cara
07:32
you get rather more excited with the next tail.
146
427000
2000
— ficam mais entusiasmados
com a coroa a seguir.
com a coroa a seguir.
07:34
Then you toss the coin.
147
429000
2000
Depois lançam a moeda.
07:36
If it's a tail, you crack open the champagne.
148
431000
3000
Se for coroa, podem abrir o champanhe.
07:39
If it's a head you're disappointed,
149
434000
2000
Se for cara, ficam desiludidos
07:41
but you're still a third of the way to your pattern again.
150
436000
3000
mas voltam a estar a um terço
do caminho do vosso padrão.
do caminho do vosso padrão.
07:44
And that's an informal way of presenting it -- that's why there's a difference.
151
439000
4000
Esta é uma maneira informal de apresentar
— é por isso que há uma diferença.
— é por isso que há uma diferença.
07:48
Another way of thinking about it --
152
443000
2000
Outra forma de pensar nisso.
07:50
if we tossed a coin eight million times,
153
445000
2000
Se lançarmos uma moeda
oito milhões de vezes,
oito milhões de vezes,
07:52
then we'd expect a million head-tail-heads
154
447000
2000
podemos esperar um milhão
de cara-coroa-cara
de cara-coroa-cara
07:54
and a million head-tail-tails -- but the head-tail-heads could occur in clumps.
155
449000
7000
e um milhão de cara-coroa-coroa
mas cara-coroa-cara pode ocorrer em cachos.
mas cara-coroa-cara pode ocorrer em cachos.
Portanto, se quiserem pôr um milhão
de coisas entre oito milhões de posições
de coisas entre oito milhões de posições
08:01
So if you want to put a million things down amongst eight million positions
156
456000
2000
08:03
and you can have some of them overlapping, the clumps will be further apart.
157
458000
5000
e podemos ter algumas que se sobrepõem,
os cachos estarão mais separados.
os cachos estarão mais separados.
08:08
It's another way of getting the intuition.
158
463000
2000
É outra forma de tornarmos
as coisas intuitivas.
as coisas intuitivas.
08:10
What's the point I want to make?
159
465000
2000
Onde é que eu quero chegar?
08:12
It's a very, very simple example, an easily stated question in probability,
160
467000
4000
É um exemplo muito simples,
uma questão de probabilidade fácil
uma questão de probabilidade fácil
08:16
which every -- you're in good company -- everybody gets wrong.
161
471000
3000
em que toda a gente se engana
— e vocês estão bem acompanhados.
— e vocês estão bem acompanhados.
08:19
This is my little diversion into my real passion, which is genetics.
162
474000
4000
Esta é um pequeno desvio para chegar
à minha paixão, que é a genética.
à minha 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 ligação entre cara-coroa-cara
e cara-coroa-coroa, na genética.
e cara-coroa-coroa, na genética.
08:26
and it's the following.
164
481000
3000
que é a seguinte.
08:29
When you toss a coin, you get a sequence of heads and tails.
165
484000
3000
Quando lançamos uma moeda,
obtemos uma sequência de caras e coroas.
obtemos 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
No ADN, há uma sequência que não é
de duas coisas — caras e coroas —
de duas coisas — caras e coroas —
08:35
but four letters -- As, Gs, Cs and Ts.
167
490000
3000
mas de quatro letras — A, G, C e T.
08:38
And there are little chemical scissors, called restriction enzymes
168
493000
3000
E há pequenas tesouras químicas,
chamadas enzimas de restrição
chamadas enzimas de restrição
08:41
which cut DNA whenever they see particular patterns.
169
496000
2000
que cortam o ADN sempre que veem
determinados padrões.
determinados padrões.
08:43
And they're an enormously useful tool in modern molecular biology.
170
498000
4000
É uma ferramenta extremamente útil
na moderna biologia molecular.
na moderna biologia molecular.
08:48
And instead of asking the question, "How long until I see a head-tail-head?" --
171
503000
3000
Não perguntem: "Ao fim de quanto tempo
ocorre uma cara-coroa-cara?"
ocorre uma cara-coroa-cara?"
08:51
you can ask, "How big will the chunks be when I use a restriction enzyme
172
506000
3000
perguntem: "De que tamanho são os cachos
se usar uma enzima de restrição
se usar uma enzima de restrição
08:54
which cuts whenever it sees G-A-A-G, for example?
173
509000
4000
"que corta quando vê G-A-A-G,
por exemplo?"
por exemplo?"
08:58
How long will those chunks be?"
174
513000
2000
"De que tamanho serão esses cachos?"
09:00
That's a rather trivial connection between probability and genetics.
175
515000
5000
É uma ligação bastante trivial
entre probabilidade e genética.
entre probabilidade e genética.
09:05
There's a much deeper connection, which I don't have time to go into
176
520000
3000
Há uma ligação muito mais profunda
mas não tenho tempo para entrar nela
mas não tenho tempo para entrar nela
09:08
and that is that modern genetics is a really exciting area of science.
177
523000
3000
que faz da genética moderna
uma área da ciência apaixonante.
uma área da ciência apaixonante.
09:11
And we'll hear some talks later in the conference specifically about that.
178
526000
4000
Vamos ouvir palestras nesta conferência
especificamente sobre isso.
especificamente sobre isso.
09:15
But it turns out that unlocking the secrets in the information generated by modern
179
530000
4000
Mas acontece que,
para desbloquear os segredos
para desbloquear os segredos
nos dados gerados
pelas modernas tecnologias experimentais,
pelas modernas tecnologias experimentais,
09:19
experimental technologies, a key part of that has to do with fairly sophisticated --
180
534000
5000
uma parte fundamental tem a ver
09:24
you'll be relieved to know that I do something useful in my day job,
181
539000
3000
— tranquilizem-se, eu faço
algo de útil no meu trabalho —
algo de útil no meu trabalho —
09:27
rather more sophisticated than the head-tail-head story --
182
542000
2000
com tecnologias mais sofisticada
do que a história de cara-coroa-cara,
do que a história de cara-coroa-cara,
09:29
but quite sophisticated computer modelings and mathematical modelings
183
544000
4000
com sofisticados modelos
informáticos e matemáticos
informáticos e matemáticos
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
Vou dar-vos dois pequenos fragmentos
— dois exemplos —
— dois exemplos —
09:38
of projects we're involved in in my group in Oxford,
186
553000
3000
de projetos em que estamos envolvidos
no meu grupo em Oxford,
no meu grupo em Oxford,
09:41
both of which I think are rather exciting.
187
556000
2000
que eu considero apaixonantes.
09:43
You know about the Human Genome Project.
188
558000
2000
Vocês conhecem
o Projeto do Genoma Humano.
o Projeto do Genoma Humano.
09:45
That was a project which aimed to read one copy of the human genome.
189
560000
4000
Foi um projeto que pretendia ler
uma cópia do genoma humano.
uma cópia do genoma humano.
09:51
The natural thing to do after you've done that --
190
566000
2000
A coisa natural a fazer,
depois de fazer aquilo
depois de fazer aquilo
09:53
and that's what this project, the International HapMap Project,
191
568000
2000
é Projeto o Internacional HapMap,
09:55
which is a collaboration between labs in five or six different countries.
192
570000
5000
que é uma colaboração entre laboratórios
de cinco ou seis países diferentes.
de cinco ou seis países diferentes.
10:00
Think of the Human Genome Project as learning what we've got in common,
193
575000
4000
Pensem no Projeto do Genoma Humano
como aprender o que temos em comum
como aprender o que temos em comum
10:04
and the HapMap Project is trying to understand
194
579000
2000
e no Projeto HapMao
como tentar compreender
como tentar compreender
10:06
where there are differences between different people.
195
581000
2000
onde há diferenças
entre pessoas diferentes.
entre pessoas diferentes.
10:08
Why do we care about that?
196
583000
2000
Porque é que nos preocupamos com isso?
10:10
Well, there are lots of reasons.
197
585000
2000
Há muitas razões.
10:12
The most pressing one is that we want to understand how some differences
198
587000
4000
A mais importante é que queremos
perceber como essas diferenças
perceber como essas diferenças
10:16
make some people susceptible to one disease -- type-2 diabetes, for example --
199
591000
4000
podem tornar as pessoas suscetíveis
a uma doença — digamos, diabetes tipo 2 —
a uma doença — digamos, diabetes tipo 2 —
10:20
and other differences make people more susceptible to heart disease,
200
595000
5000
e outras diferenças tornam as pessoas
mais suscetíveis a doenças cardíacas,
mais suscetíveis a doenças cardíacas,
10:25
or stroke, or autism and so on.
201
600000
2000
ou AVC, ou autismo, etc.
10:27
That's one big project.
202
602000
2000
É um projeto importante.
10:29
There's a second big project,
203
604000
2000
Há outro projeto importante,
10:31
recently funded by the Wellcome Trust in this country,
204
606000
2000
recém-financiado pela Welcome Trust
neste país,
neste país,
10:33
involving very large studies --
205
608000
2000
que envolve estudos muito amplos
10:35
thousands of individuals, with each of eight different diseases,
206
610000
3000
— milhares de indivíduos,
com uma de oito doenças diferentes,
com uma de oito doenças diferentes,
10:38
common diseases like type-1 and type-2 diabetes, and coronary heart disease,
207
613000
4000
doenças vulgares como diabetes tipo 1
e tipo 2, doenças coronárias,
e tipo 2, doenças coronárias,
10:42
bipolar disease and so on -- to try and understand the genetics.
208
617000
4000
doença bipolar, etc. —
para tentar perceber a genética.
para tentar perceber a genética.
10:46
To try and understand what it is about genetic differences that causes the diseases.
209
621000
3000
Tentar perceber quais são as diferenças
genéticas que causam as doenças.
genéticas que causam as doenças.
10:49
Why do we want to do that?
210
624000
2000
Porque é que queremos fazer isso?
10:51
Because we understand very little about most human diseases.
211
626000
3000
Porque sabemos muito pouco
sobre a maior parte das doenças humanas.
sobre a maior parte das doenças humanas.
10:54
We don't know what causes them.
212
629000
2000
Não sabemos o que é que as provoca.
10:56
And if we can get in at the bottom and understand the genetics,
213
631000
2000
Aprofundando
e compreendendo a genética,
e compreendendo a genética,
10:58
we'll have a window on the way the disease works,
214
633000
3000
abrimos uma janela
para a forma como funciona a doença
para a forma como funciona a doença
11:01
and a whole new way about thinking about disease therapies
215
636000
2000
e uma nova forma de pensar
nas terapias para as doenças
nas terapias para as doenças
11:03
and preventative treatment and so on.
216
638000
3000
e no tratamento preventivo.
11:06
So that's, as I said, the little diversion on my main love.
217
641000
3000
Este foi o desvio de que falei,
à minha principal paixão.
à minha principal paixão.
11:09
Back to some of the more mundane issues of thinking about uncertainty.
218
644000
5000
Voltemos às questões mais prosaicas
de pensar na incerteza.
de pensar na incerteza.
11:14
Here's another quiz for you --
219
649000
2000
Eis outro questionário.
11:16
now suppose we've got a test for a disease
220
651000
2000
Suponhamos que temos
um teste para uma doença
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
Acerta em cheio 99% das vezes.
11:23
And I take one of you, or I take someone off the street,
223
658000
3000
Escolho um de vocês,
ou alguém no meio da rua
ou alguém no meio da rua
11:26
and I test them for the disease in question.
224
661000
2000
e faço-lhe o teste
para a doença em questão.
para a doença em questão.
11:28
Let's suppose there's a test for HIV -- the virus that causes AIDS --
225
663000
4000
Suponhamos que é um teste para o VIH
— o vírus que provoca a SIDA —
— o vírus que provoca a SIDA —
11:32
and the test says the person has the disease.
226
667000
3000
e o teste diz que a pessoa
tem essa doença.
tem essa doença.
11:35
What's the chance that they do?
227
670000
3000
Qual é a probabilidade
que ela a tenha?
que ela a tenha?
11:38
The test gets it right 99 percent of the time.
228
673000
2000
O teste acerta em cheio
99% das vezes.
99% das vezes.
11:40
So a natural answer is 99 percent.
229
675000
4000
Portanto,
a resposta natural é 88%.
a resposta natural é 88%.
11:44
Who likes that answer?
230
679000
2000
Quem é que gosta desta resposta?
11:46
Come on -- everyone's got to get involved.
231
681000
1000
Vá, todos têm que participar.
11:47
Don't think you don't trust me anymore.
232
682000
2000
Esqueçam que já não confiam 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
Têm razão em estar um pouco céticos,
porque a resposta não é essa.
porque a resposta não é essa.
11:53
That's what you might think.
235
688000
2000
Essa é a que se pode pensar.
11:55
It's not the answer, and it's not because it's only part of the story.
236
690000
3000
Mas não é a resposta, e não é porque
seja apenas parte da história.
seja apenas parte da história.
11:58
It actually depends on how common or how rare the disease is.
237
693000
3000
Mas depende de a doença
ser vulgar ou rara.
ser vulgar ou rara.
12:01
So let me try and illustrate that.
238
696000
2000
Vou tentar ilustrar isso.
12:03
Here's a little caricature of a million individuals.
239
698000
4000
Isto é uma representação
de um milhão de indivíduos.
de um milhão de indivíduos.
12:07
So let's think about a disease that affects --
240
702000
3000
Pensemos numa doença
que seja rara
que seja rara
12:10
it's pretty rare, it affects one person in 10,000.
241
705000
2000
que afete uma pessoa em 10 000.
12:12
Amongst these million individuals, most of them are healthy
242
707000
3000
Neste milhão de indivíduos,
a maioria é saudável
a maioria é saudável
12:15
and some of them will have the disease.
243
710000
2000
e alguns deles terão a doença.
12:17
And in fact, if this is the prevalence of the disease,
244
712000
3000
De facto, se for esta
a prevalência da doença,
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 os restantes não.
e os restantes não.
12:23
So now suppose we test them all.
246
718000
2000
Agora suponhamos que os testamos a todos.
12:25
What happens?
247
720000
2000
O que acontece?
12:27
Well, amongst the 100 who do have the disease,
248
722000
2000
Entre os 100 que têm 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 acertará 99% das vezes
e 99 terão um resultado positivo.
e 99 terão um resultado positivo.
12:34
Amongst all these other people who don't have the disease,
250
729000
2000
Entre as outras pessoas
que não têm a doença,
que não têm a doença,
12:36
the test will get it right 99 percent of the time.
251
731000
3000
o teste acertará 99% das vezes.
12:39
It'll only get it wrong one percent of the time.
252
734000
2000
Só estará errado 1% das vezes.
12:41
But there are so many of them that there'll be an enormous number of false positives.
253
736000
4000
Mas há tanta gente que o número
de falsos positivos será enorme.
de falsos positivos será enorme.
12:45
Put that another way --
254
740000
2000
Por outras palavras,
12:47
of all of them who test positive -- so here they are, the individuals involved --
255
742000
5000
de todos os que obtiverem positivo
— estes são os indivíduos envolvido —
— estes são os indivíduos envolvido —
12:52
less than one in 100 actually have the disease.
256
747000
5000
menos de um em 100 têm mesmo a doença.
12:57
So even though we think the test is accurate, the important part of the story is
257
752000
4000
Portanto, apesar de pensarmos que o teste
é rigoroso, a parte importante da história
é rigoroso, a parte importante da história
13:01
there's another bit of information we need.
258
756000
3000
é que precisamos de mais informações.
13:04
Here's the key intuition.
259
759000
2000
Esta é a intuição fundamental.
13:07
What we have to do, once we know the test is positive,
260
762000
3000
Quando sabemos que o teste é positivo,
13:10
is to weigh up the plausibility, or the likelihood, of two competing explanations.
261
765000
6000
temos que avaliar a plausibilidade
de duas explicações opostas.
de duas explicações opostas.
13:16
Each of those explanations has a likely bit and an unlikely bit.
262
771000
3000
Cada uma dessas explicações é, em parte,
provável e, em parte, improvável.
provável e, em parte, improvável.
13:19
One explanation is that the person doesn't have the disease --
263
774000
3000
Uma das explicações é que a pessoa
não tem a doença
não tem a doença
13:22
that's overwhelmingly likely, if you pick someone at random --
264
777000
3000
— que é uma probabilidade forte,
se agarrarmos numa pessoa ao acaso —
se agarrarmos numa pessoa ao acaso —
13:25
but the test gets it wrong, which is unlikely.
265
780000
3000
mas o teste está errado,
o que é pouco provável.
o que é pouco provável.
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 —
tem a doença — o que é improvável —
13:32
but the test gets it right, which is likely.
267
787000
3000
mas o teste está correto,
o que é provável.
o que é provável.
13:35
And the number we end up with --
268
790000
2000
E acabamos com um número
13:37
that number which is a little bit less than one in 100 --
269
792000
3000
— um pouco menor do que um em 100 —
13:40
is to do with how likely one of those explanations is relative to the other.
270
795000
6000
que depende da probabilidade
de uma das explicações
estar ligada à outra.
estar ligada à outra.
13:46
Each of them taken together is unlikely.
271
801000
2000
Cada uma delas, consideradas em conjunto,
é pouco provável.
é pouco provável.
13:49
Here's a more topical example of exactly the same thing.
272
804000
3000
Este é um exemplo mais atual,
exatamente da mesma coisa.
exatamente da mesma coisa.
13:52
Those of you in Britain will know about what's become rather a celebrated case
273
807000
4000
Os britânicos aqui conhecem
um caso que ficou célebre
um caso que ficou célebre
13:56
of a woman called Sally Clark, who had two babies who died suddenly.
274
811000
5000
duma mulher chamada Sally Clark,
cujos dois bebés morreram subitamente.
cujos dois bebés morreram subitamente.
14:01
And initially, it was thought that they died of what's known informally as "cot death,"
275
816000
4000
Inicialmente, pensou-se
que eles tinham morrido de "morte súbita",
que eles tinham morrido de "morte súbita",
14:05
and more formally as "Sudden Infant Death Syndrome."
276
820000
3000
ou seja, "Síndrome
da morte súbita infantil".
da morte súbita infantil".
14:08
For various reasons, she was later charged with murder.
277
823000
2000
Por diversas razões,
foi depois acusada de homicídio.
foi depois acusada de homicídio.
14:10
And at the trial, her trial, a very distinguished pediatrician gave evidence
278
825000
4000
No julgamento dela, um pediatra
de renome testemunhou
de renome testemunhou
14:14
that the chance of two cot deaths, innocent deaths, in a family like hers --
279
829000
5000
que a possibilidade de duas mortes súbitas
de bebés, numa família como a dela
de bebés, numa família como a dela
14:19
which was professional and non-smoking -- was one in 73 million.
280
834000
6000
— que trabalhava e não era fumadora —
era de uma em 73 milhões.
era de uma em 73 milhões.
14:26
To cut a long story short, she was convicted at the time.
281
841000
3000
Para abreviar, ela foi condenada.
14:29
Later, and fairly recently, acquitted on appeal -- in fact, on the second appeal.
282
844000
5000
Mais tarde, há pouco tempo,
foi absolvida num segundo apelo.
foi absolvida num segundo apelo.
14:34
And just to set it in context, you can imagine how awful it is for someone
283
849000
4000
Só para contextualizar, podem imaginar
como deve ser terrível
como deve ser terrível
14:38
to have lost one child, and then two, if they're innocent,
284
853000
3000
perder um filho, ainda por cima dois,
se estiverem inocentes,
se estiverem inocentes,
14:41
to be convicted of murdering them.
285
856000
2000
e ser condenada por tê-los matado.
14:43
To be put through the stress of the trial, convicted of murdering them --
286
858000
2000
Sofrer a tensão do julgamento,
ser condenada por homicídio,
ser condenada por homicídio,
14:45
and to spend time in a women's prison, where all the other prisoners
287
860000
3000
estar numa prisão,
onde as prisioneiras
onde as prisioneiras
14:48
think you killed your children -- is a really awful thing to happen to someone.
288
863000
5000
pensam que matara os filhos
— é terrível acontecer isso a alguém.
— é terrível acontecer isso a alguém.
14:53
And it happened in large part here because the expert got the statistics
289
868000
5000
E aconteceu, em grande parte,
porque o especialista
porque o especialista
14:58
horribly wrong, in two different ways.
290
873000
3000
interpretou mal as estatísticas,
de duas formas diferentes.
de duas formas diferentes.
15:01
So where did he get the one in 73 million number?
291
876000
4000
Onde é que ele foi buscar o número
de um em 73 milhões?
de 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
Leu alguma investigação que dizia
que a probabilidade de uma morte súbita
que a probabilidade de uma morte súbita
15:08
like Sally Clark's is about one in 8,500.
293
883000
5000
numa família como a de Sally Clark
era de uma em 8500.
era de uma em 8500.
15:13
So he said, "I'll assume that if you have one cot death in a family,
294
888000
4000
E disse: "Parto do princípio que,
se há uma morte súbita numa família,
se há uma morte súbita numa família,
15:17
the chance of a second child dying from cot death aren't changed."
295
892000
4000
"a hipótese de uma segunda criança
morrer de morte súbita, não muda".
morrer de morte súbita, não muda".
15:21
So that's what statisticians would call an assumption of independence.
296
896000
3000
É o que os estatísticos chamam
de "presunção de independência".
de "presunção de independência".
15:24
It's like saying, "If you toss a coin and get a head the first time,
297
899000
2000
É como dizer: "Se numa moeda
ao ar sair caras à primeira",
ao ar sair caras à primeira",
15:26
that won't affect the chance of getting a head the second time."
298
901000
3000
"isso não afeta a hipótese
de obter caras à segunda vez".
de obter caras à segunda vez".
15:29
So if you toss a coin twice, the chance of getting a head twice are a half --
299
904000
5000
Assim, se lançarmos uma moeda
duas vezes seguidas,
duas vezes seguidas,
a hipótese de sair caras duas vezes
15:34
that's the chance the first time -- times a half -- the chance a second time.
300
909000
3000
é 50% — da primeira vez —
vezes 50% — da segunda vez.
vezes 50% — da segunda vez.
15:37
So he said, "Here,
301
912000
2000
Então, ele disse:
15:39
I'll assume that these events are independent.
302
914000
4000
"Parto do princípio que são
dois acontecimentos independentes.
dois acontecimentos independentes.
15:43
When you multiply 8,500 together twice,
303
918000
2000
"Quando multiplicamos 8500 por 8500,
15:45
you get about 73 million."
304
920000
2000
"obtemos 73 milhões".
15:47
And none of this was stated to the court as an assumption
305
922000
2000
Nada disto foi explicado
ao tribunal, como uma presunção
ao tribunal, como uma presunção
15:49
or presented to the jury that way.
306
924000
2000
nem apresentado ao júri dessa forma.
15:52
Unfortunately here -- and, really, regrettably --
307
927000
3000
Infelizmente — e lamentavelmente —
15:55
first of all, in a situation like this you'd have to verify it empirically.
308
930000
4000
primeiro que tudo, numa situação destas,
devia ter sido verificada empiricamente.
devia ter sido verificada empiricamente.
15:59
And secondly, it's palpably false.
309
934000
2000
E em segundo lugar, é obviamente falsa.
16:02
There are lots and lots of things that we don't know about sudden infant deaths.
310
937000
5000
Há imensas coisas que não sabemos
sobre mortes súbitas de bebés.
sobre mortes súbitas de bebés.
16:07
It might well be that there are environmental factors that we're not aware of,
311
942000
3000
Pode tratar-se de fatores ambientais
que desconhecemos,
que desconhecemos,
16:10
and it's pretty likely to be the case that there are
312
945000
2000
e é muito provável que haja
fatores genéticos que desconhecemos
fatores genéticos que desconhecemos
16:12
genetic factors we're not aware of.
313
947000
2000
16:14
So if a family suffers from one cot death, you'd put them in a high-risk group.
314
949000
3000
Assim, se há uma morte súbita na família,
deve-se pô-la num grupo de risco.
deve-se pô-la num grupo de risco.
16:17
They've probably got these environmental risk factors
315
952000
2000
Provavelmente, tem esses fatores
de risco ambientais
de risco ambientais
16:19
and/or genetic risk factors we don't know about.
316
954000
3000
e/ou fatores de risco genético
que desconhecemos.
que desconhecemos.
16:22
And to argue, then, that the chance of a second death is as if you didn't know
317
957000
3000
E argumentar que há probabilidade
de uma segunda morte
de uma segunda morte
16:25
that information is really silly.
318
960000
3000
sem conhecer essas informações, é idiota.
16:28
It's worse than silly -- it's really bad science.
319
963000
4000
É pior que idiota,
é muito má ciência.
é muito má ciência.
16:32
Nonetheless, that's how it was presented, and at trial nobody even argued it.
320
967000
5000
Apesar disso, foi como foi apresentado,
e no tribunal ninguém o contestou.
e no tribunal ninguém o contestou.
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 significa
o número de um em 73 milhões?
o número de um em 73 milhões?
16:43
So after Sally Clark was convicted --
323
978000
2000
Depois de Sally Clark ser condenada
16:45
you can imagine, it made rather a splash in the press --
324
980000
4000
— podem imaginar,
deu grande estrilho na imprensa —
deu grande estrilho 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 mais
respeitados jornais da Grã-Bretanha
respeitados jornais da Grã-Bretanha
escreveu que o especialista tinha dito:
16:56
what the expert had said was,
326
991000
2000
16:58
"The chance that she was innocent was one in 73 million."
327
993000
5000
"A hipótese de que ela estivesse
inocente era de uma em 73 milhões".
inocente era de uma em 73 milhões".
17:03
Now, that's a logical error.
328
998000
2000
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 exatamente o mesmo erro de lógica
como o erro de pensar
como o erro de pensar
17:08
after the disease test, which is 99 percent accurate,
330
1003000
2000
que, segundo o teste de doenças,
que é 99% rigoroso,
que é 99% rigoroso,
17:10
the chance of having the disease is 99 percent.
331
1005000
4000
a hipótese de ter a doença é de 99%.
17:14
In the disease example, we had to bear in mind two things,
332
1009000
4000
No exemplo da doença, tivemos
que ter em conta duas coisas,
que ter em conta duas coisas,
17:18
one of which was the possibility that the test got it right or not.
333
1013000
4000
uma que era a possibilidade
de o teste ter acertado ou não.
de o teste ter acertado 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 possibilidade, a priori,
de a pessoa ter a doença ou não.
de a pessoa ter 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
Há duas explicações envolvidas.
Queremos saber quão prováveis,
ou relativamente prováveis,
ou relativamente prováveis,
17:33
We want to know how likely, or relatively how likely, two different explanations are.
337
1028000
4000
são essas duas explicações diferentes.
17:37
One of them is that Sally Clark was innocent --
338
1032000
3000
Uma delas é que Sally Clark
estava inocente
estava inocente
17:40
which is, a priori, overwhelmingly likely --
339
1035000
2000
— o que, a priori,
era esmagadoramente provável —
era esmagadoramente provável —
17:42
most mothers don't kill their children.
340
1037000
3000
a maior parte das mães não mata os filhos.
17:45
And the second part of the explanation
341
1040000
2000
A segunda parte da explicação
17:47
is that she suffered an incredibly unlikely event.
342
1042000
3000
é que ela sofrera um acontecimento
extraordinariamente improvável.
extraordinariamente 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 muito improvável na mesma.
mas muito improvável na mesma.
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
Podemos pensar a priori
numa coisa improvável.
numa coisa improvável.
17:58
And we certainly should think in the context of a criminal trial
346
1053000
3000
— mas, no contexto
de um julgamento criminal,
de um julgamento criminal,
18:01
that that's unlikely, because of the presumption of innocence.
347
1056000
3000
temos que pensar que é improvável,
dada a presunção de inocência.
dada a presunção de inocência.
18:04
And then if she were trying to kill the children, she succeeded.
348
1059000
4000
Mas, se ela tinha tentado matar
os bebés, tinha conseguido.
os bebés, tinha conseguido.
18:08
So the chance that she's innocent isn't one in 73 million.
349
1063000
4000
Portanto, a probabilidade de ela
estar inocente não é de uma em 73 milhões.
estar inocente não é de uma em 73 milhões.
18:12
We don't know what it is.
350
1067000
2000
Não sabemos qual é.
18:14
It has to do with weighing up the strength of the other evidence against her
351
1069000
4000
Tem a ver com a avaliação
do peso das outras provas contra ela
do peso das outras provas contra ela
18:18
and the statistical evidence.
352
1073000
2000
e das provas estatísticas.
18:20
We know the children died.
353
1075000
2000
Sabemos que as crianças morreram.
18:22
What matters is how likely or unlikely, relative to each other,
354
1077000
4000
O que interessa é a probabilidade
ou improbabilidade
ou improbabilidade
18:26
the two explanations are.
355
1081000
2000
das duas explicações,
uma em relação à outra.
uma em relação à outra.
18:28
And they're both implausible.
356
1083000
2000
São ambas implausíveis.
18:31
There's a situation where errors in statistics had really profound
357
1086000
4000
É uma situação em que os erros
na estatística
na estatística
tiveram consequências profundas
e extremamente infelizes.
e extremamente infelizes.
18:35
and really unfortunate consequences.
358
1090000
3000
18:38
In fact, there are two other women who were convicted on the basis of the
359
1093000
2000
Há duas outras mulheres
que foram condenadas
que foram condenadas
18:40
evidence of this pediatrician, who have subsequently been released on appeal.
360
1095000
4000
com base em provas deste pediatra,
que vieram a ser libertadas no apelo.
que vieram a ser libertadas no apelo.
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 é especialmente atual, porque enfrenta
hoje uma carga de descrédito
hoje uma carga de descrédito
18:50
at Britain's General Medical Council.
363
1105000
3000
no Conselho Médico Geral da Grã-Bretanha
18:53
So just to conclude -- what are the take-home messages from this?
364
1108000
4000
Para concluir, que mensagens
levar para casa a partir disto?
levar para casa a partir disto?
18:57
Well, we know that randomness and uncertainty and chance
365
1112000
4000
Sabemos que o aleatório
e a incerteza e o acaso
e a incerteza e o acaso
19:01
are very much a part of our everyday life.
366
1116000
3000
fazem parte da nossa vida quotidiana.
19:04
It's also true -- and, although, you, as a collective, are very special in many ways,
367
1119000
5000
Também é verdade — embora vocês,
enquanto coletivo, sejam muito especiais —
enquanto coletivo, sejam muito especiais —
19:09
you're completely typical in not getting the examples I gave right.
368
1124000
4000
que vocês são típicos em não seguir
os exemplos que dei.
os exemplos que dei.
19:13
It's very well documented that people get things wrong.
369
1128000
3000
Está bem documentado que as pessoas
interpretam mal as coisas.
interpretam mal as coisas.
19:16
They make errors of logic in reasoning with uncertainty.
370
1131000
3000
Fazem erros de lógica
ao raciocinar com incerteza.
ao raciocinar com incerteza.
19:20
We can cope with the subtleties of language brilliantly --
371
1135000
2000
Lidamos lindamente
com as subtilezas da linguagem
com as subtilezas da linguagem
19:22
and there are interesting evolutionary questions about how we got here.
372
1137000
3000
e há questões evolucionárias
sobre como chegámos lá.
sobre como chegámos lá.
19:25
We are not good at reasoning with uncertainty.
373
1140000
3000
Mas não somos bons a raciocinar
com a incerteza.
com a incerteza.
19:28
That's an issue in our everyday lives.
374
1143000
2000
É um problema da nossa vida quotidiana.
19:30
As you've heard from many of the talks, statistics underpins an enormous amount
375
1145000
3000
Como ouviram em muitas palestras,
a estatística sustenta
a estatística sustenta
19:33
of research in science -- in social science, in medicine
376
1148000
3000
muita investigação na ciência
— ciência social, medicina,
— ciência social, medicina,
19:36
and indeed, quite a lot of industry.
377
1151000
2000
e em muitas coisas da indústria.
19:38
All of quality control, which has had a major impact on industrial processing,
378
1153000
4000
O controlo de qualidade,
que tem um importante impacto
no fabrico industrial
no fabrico industrial
19:42
is underpinned by statistics.
379
1157000
2000
repousa na estatística.
19:44
It's something we're bad at doing.
380
1159000
2000
É uma coisa que fazemos mal.
No mínimo, devíamos reconhecer isso,
mas temos tendência para não o fazer.
mas temos tendência para não o fazer.
19:46
At the very least, we should recognize that, and we tend not to.
381
1161000
3000
19:49
To go back to the legal context, at the Sally Clark trial
382
1164000
4000
Para voltar ao contexto legal
e ao julgamento de Sally Clark,
e ao julgamento de Sally Clark,
19:53
all of the lawyers just accepted what the expert said.
383
1168000
4000
todos os advogados aceitavam
o que o especialista disse.
o que o especialista disse.
Se aparecesse um pediatra
que dissesse a um júri:
que dissesse a um júri:
19:57
So if a pediatrician had come out and said to a jury,
384
1172000
2000
19:59
"I know how to build bridges. I've built one down the road.
385
1174000
3000
"Sei construir pontes.
Construí uma na estrada.
Construí uma na estrada.
"Por favor, usem-na
para voltar para casa".
para voltar para casa".
20:02
Please drive your car home over it,"
386
1177000
2000
teriam dito: "Os pediatras
não sabem construir pontes.
não sabem construir pontes.
20:04
they would have said, "Well, pediatricians don't know how to build bridges.
387
1179000
2000
20:06
That's what engineers do."
388
1181000
2000
"Isso é trabalho de engenheiros".
20:08
On the other hand, he came out and effectively said, or implied,
389
1183000
3000
Por outro lado, ele apareceu
e disse, ou sugeriu:
e disse, ou sugeriu:
20:11
"I know how to reason with uncertainty. I know how to do statistics."
390
1186000
3000
"Sei raciocinar com a incerteza.
Sei fazer estatísticas."
Sei fazer estatísticas."
20:14
And everyone said, "Well, that's fine. He's an expert."
391
1189000
3000
Todos disseram:
"Ótimo, Ele é especialista".
"Ótimo, Ele é especialista".
Precisamos de perceber
onde está ou não está a nossa competência.
onde está ou não está a nossa competência.
20:17
So we need to understand where our competence is and isn't.
392
1192000
3000
20:20
Exactly the same kinds of issues arose in the early days of DNA profiling,
393
1195000
4000
São exatamente as mesmas coisas
que surgem hoje, no perfil do ADN,
que surgem hoje, no perfil do ADN,
20:24
when scientists, and lawyers and in some cases judges,
394
1199000
4000
quando os cientistas e advogados
e, nalguns casos, os juízes,
e, nalguns casos, os juízes,
20:28
routinely misrepresented evidence.
395
1203000
3000
interpretam mal as provas,
de forma rotineira.
de forma rotineira.
20:32
Usually -- one hopes -- innocently, but misrepresented evidence.
396
1207000
3000
Normalmente, é de forma inocente,
mas interpretam mal as provas.
mas interpretam mal as provas.
20:35
Forensic scientists said, "The chance that this guy's innocent is one in three million."
397
1210000
5000
Os cientistas forenses disseram:
"A hipótese de este tipo estar inocente
é de uma em três milhões".
é de uma em três milhões".
20:40
Even if you believe the number, just like the 73 million to one,
398
1215000
2000
Mesmo a acreditar neste número
— tal como os 73 milhões para um —
— tal como os 73 milhões para um —
20:42
that's not what it meant.
399
1217000
2000
não é isso o que eu quero dizer.
20:44
And there have been celebrated appeal cases
400
1219000
2000
Já houve recursos de apelos com êxito
20:46
in Britain and elsewhere because of that.
401
1221000
2000
na Grã-Bretanha e não só
por causa disso.
por causa disso.
20:48
And just to finish in the context of the legal system.
402
1223000
3000
Para acabar, no contexto
do sistema legal,
do sistema legal,
20:51
It's all very well to say, "Let's do our best to present the evidence."
403
1226000
4000
é muito bonito dizer: Vamos fazer
o nosso melhor para apresentar provas",
o nosso melhor para apresentar provas",
20:55
But more and more, in cases of DNA profiling -- this is another one --
404
1230000
3000
Mas, cada vez mais, no caso do perfil
de ADN — este é outro —
de ADN — este é outro —
20:58
we expect juries, who are ordinary people --
405
1233000
3000
esperamos que os júris,
que são pessoas vulgares
que são pessoas vulgares
21:01
and it's documented they're very bad at this --
406
1236000
2000
— e está documentado que são
muito maus nisto —
muito maus nisto —
21:03
we expect juries to be able to cope with the sorts of reasoning that goes on.
407
1238000
4000
esperamos que os júris consigam lidar
com o tipo de raciocínio que se mantém.
com o tipo de raciocínio que se mantém.
21:07
In other spheres of life, if people argued -- well, except possibly for politics --
408
1242000
5000
Noutras esferas da vida, as pessoas
discutem — exceto talvez na política —
discutem — exceto talvez na política —
21:12
but in other spheres of life, if people argued illogically,
409
1247000
2000
noutras esferas da vida,
se as pessoas discutem sem lógica
se as pessoas discutem sem lógica
21:14
we'd say that's not a good thing.
410
1249000
2000
diríamos que isso não é bom.
21:16
We sort of expect it of politicians and don't hope for much more.
411
1251000
4000
Esperamos isso dos políticos
e não esperamos muito mais.
e não esperamos muito mais.
21:20
In the case of uncertainty, we get it wrong all the time --
412
1255000
3000
No caso da incerteza,
estamos sempre a enganar-nos
estamos sempre a enganar-nos
21:23
and at the very least, we should be aware of that,
413
1258000
2000
e, no mínimo,
devíamos ter consciência disso.
devíamos ter consciência disso.
21:25
and ideally, we might try and do something about it.
414
1260000
2000
Devíamos fazer qualquer coisa
quanto a isso.
quanto a isso.
21:27
Thanks very much.
415
1262000
1000
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